Anda di halaman 1dari 181

Bunga Rampai

Penginderaan Jauh Indonesia


























Pusat Penginderaan Jauh
Institut Teknologi Bandung
Bandung, Indonesia 40132















ISBN 978-602-19911-1-4

Bunga Rampai Penginderaan J auh I ndonesia

Diterbitkan di Bandung oleh Pusat Penginderaan Jauh,
Institut Teknologi Bandung
Gedung Labtek IX-C, lt. 3
Jl. Ganesha No. 10, Bandung 40132
http://crs.itb.ac.id
email: office@crs.itb.ac.id


Editor : Ketut Wikantika, Lissa Fajri
Desain sampul : Achmad Ramadhani Wasil
Sumber gambar bunga : http://www.cepolina.com/

Cetakan Pertama : Mei 2012

Hak Cipta dilindungi undang-undang
Dilarang mengutip atau memperbanyak
sebagian atau seluruh isi buku ini tanpa seizin penerbit

UNDANG-UNDANG NOMOR 19 TAHUN 2002 TENTANG HAK CIPTA
1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak suatu
ciptaan atau memberi izin untuk itu, dipidana dengan pidana penjara paling lama 7 (tujuh)
tahun dan/atau denda paling banyak Rp 5.000.000.000,00 (lima miliar rupiah).
2. Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual
kepada umum suatu ciptaan atau barang hasil pelanggaran Hak Cipta atau Hak Terkait
sebagaimana dimaksud pada ayat (1), dipidana dengan pidana penjara paling lama 5 (lima)
tahun dan/atau denda paling banyak Rp 500.000.000,00 (lima ratus juta rupiah).

i


KATA PENGANTAR

Teknologi dibuat dan dikembangkan oleh manusia dengan tujuan untuk mempermudah
pekerjaan. Merupakan hal yang penting untuk selalu melakukan inovasi dan
memanfaatkan teknologi yang telah ada untuk aplikasi-aplikasi yang sangat bermanfaat
bagi manusia.
Penginderaan jauh, yang memiliki kemampuan memberi gambaran muka bumi, dapat
memberi informasi akurat mengenai fenomena-fenomena spasial yang terjadi di
permukaan bumi. Analisis yang dilakukan terhadap data penginderaan jauh telah
banyak dimanfaatkan untuk mengatasi berbagai permasalahan, mulai dari permasalahan
lingkungan, pemantauan cuaca, hingga perkembangan ekonomi.
Buku berjudul Bunga Rampai Penginderaan Jauh Indonesia ini dimaksudkan sebagai
sarana publikasi karya-karya ilmiah dalam bidang penginderaan jauh. Karya ilmiah
mengenai perkembangan satelit radar, aplikasi penginderaan jauh dalam pemantauan
atmosfer, perhitungan stok karbon, hingga pemodelan kota tiga dimensi menjadi bagian
dalam buku ini.
Redaksi berharap buku ini dapat menjadi media publikasi yang baik dan bermutu serta
dapat dijadikan sumber pengetahuan baru dalam bidang penginderaan jauh. Tentunya
partisipasi dari para penulis lain juga dinantikan agar semakin banyak inovasi baru
mengenai pemanfaatan penginderaan jauh di masa yang akan datang.


Ketut Wikantika




ii

SEKAPUR SI RI H

Penginderaan J auh dalam Konteks Geospasial dan Perlunya
Pemimpin Berpengetahuan Geospasial



Ketut Wikantika
Kelompok Keilmuan Inderaja dan Sains Informasi Geografis, Fakultas Ilmu dan Teknologi
Kebumian, Institut Teknologi Bandung
Email : wikantika@yahoo.com

1. Paradigma Baru Geospasial
Terminologi geospasial saat kini semakin bermakna luas dan mempunyai
keterkaitan erat antar ilmu disiplin satu dengan yang lainnya. Geospasial dalam arti
terbatas bermakna sesuatu yang berkaitan dengan lokasi geografis dan karakteristik
alamiah maupun obyek terkonstruksi serta batas-batas yang ada di permukaan, di atas
dan di bawah permukaan bumi (Dictionary.com). Sedangkan dalam Undang-undang
Nomor 4 Tahun 2011 dijelaskan bahwa geospasial adalah sifat keruangan yang
menunjukkan posisi atau lokasi suatu obyek atau kejadian yang berada di bawah, pada,
atau di atas permukaan bumi dengan posisi keberadaannya mengacu pada sistem
koordinat nasional. Dan menurut Hagget (1978), arti geo pada geospasial bermakna
geosfer (atmosfer), litosfer (lapisan kulit bumi), pedosfer (tanah beserta
pembentukannya), hidrosfer (lapisan air yang menutupi permukaan bumi, misal danau,
sungai, laut), biosfer (segenap unsur di permukaan bumi yang membuat kehidupan dan
prosesnya) dan antroposfer (manusia dengan segala aktifitasnya). Jika definisi-definisi
tersebut digabung tentunya lebih bermakna luas karena tidak hanya sifat fisik saja yang
diamati, dianalisis, diidentifikasi dan divisualisasikan tetapi juga sifat atau aspek lain
seperti sosial, budaya, kebiasaan, serta hal-hal lain yang bersifat non fisik.
Saat kini, kesadaran akan pentingnya data dan informasi geospasial sudah
mulai terbangun khususnya di Indonesia sejak terjadinya gempa dahsyat dan tsunami
yang melanda Aceh dan wilayah sekitarnya tahun 2004. Kesadaran geospasial
(geospatial awareness) bermunculan pada sebagian besar individu di instansi terkait
pemerintah, organisasi masyarakat, lembaga non pemerintah dan kelompok masyarakat
lainnya termasuk di komunitas pendidikan. Kesadaran lain yang juga terbangun secara
langsung maupun tidak langsung karena ternyata baru sadar bahwa Indonesia adalah
negeri yang kaya akan bencana. Ini hanya merupakan salah satu contoh bagaimana
kita dapat memaknai karakteristik wilayah Indonesia secara geografis, geologis,
meteorologist, topografis dan aspek lain sehingga muncul kesadaran bencana (disaster
awareness) (Wikantika, 2005).
Kesadaran bencana dan kesadaran geospasial mendorong dan memotivasi
setiap individu untuk saling berinteraksi, berbagi dan bekerjasama dalam hal
pengetahuan dan teknologi geospasial. Interaksi dan kerjasama termasuk penelitian,
iii

inovasi ini melahirkan suatu paradigma baru dalam melihat teknologi geospasial
sebagai suatu alat berbasis geospasial secara utuh.
Gambar 1. Interaksi, kerjasama, inovasi melahirkan paradigma baru geospasial
(sumber: Wikantika, 2007)

Aktifitas geospasial dapat terjadi di matra laut, darat, maupun udara (termasuk di
lapisan atmosfer dan ruang angkasa), pada masa lalu, masa sekarang dan masa yang
akan datang (Gambar 1). Kegiatan tersebut terjadi pada suatu wilayah yang terbatas
(lokal), regional, nasional maupun global. Perkembangan teknologi geospasial dan
aplikasinya melalui beberapa fase. Fase yang pertama dapat dikatakan sebagai fase
awal atau tahapan awal pengembangan teknologi geospasial yang sifatnya standar
dimana data geospasial dikumpulkan, diolah, dianalisi, disajikan dan jika perlu
dimodelkan. Fase berikutnya adalah mengintegrasikan semua hasil pada fase pertama
kemudian dilengkapi data sekunder dan atau informasi lainnya yang bersifat non
geospasial menjadi sebuah sistem informasi terintegrasi berbasis geospasial dan non
geo spasial.
Pada tingkat pengambilan keputusan, perlu dibangun suatu sistem pengambil
keputusan terintegrasi berbasis geospasial dan non geospasial. Fase-fase ini akan terus
berkembang tergantung kebutuhan manusia dalam menjalani hidupnya di bumi dan
kemungkinan melanjutkan kehidupannya di planet lain. Tentunya fase-fase ini akan
terus berkembang jika didukung oleh suatu pengetahuan dan teknologi informasi,
komunikasi dan komputer. Dan hal ini sudah terbukti dengan produksi film-film seperti
Avatar yang termasuk dalam fase geo-entertainment termasuk film-film sejenis lainnya.
Ketika fase-fase tersebut berkembang, teknologi pengolahan data geospasial
semakin intensif dikembangkan, dilain pihak interaksi dan komunikasi serta sharing
iv

antar peneliti dengan latar belakang beragam (multi-disiplin) memunculkan kelompok-
kelompok kajian baru. Salah satunya adalah geo-planning yang diartikan sebagai proses
perencanaan berbasis geospasial. Adalah sesuatu yang tidak mungkin dilakukan jika
perencanaan suatu wilayah tanpa data geospasial, tanpa informasi terkait dengan
kondisi wilayah (geografis, topografis, lanskap dan lainnya) tersebut. Karakteristik
sosial-ekonomi suatu wilayahpun dapat dikaji melalui suatu rangkain studi yang pada
dasarnya ingin mendapatkan informasi yang terkait dengan pola dan status sosial dan
ekonomi wilayah tersebut. Status sosial pada umumnya ditunjukkan oleh karakteristik
populasi (penduduk) melalui jenis, pola dan sebaran permukiman. Sedangkan aspek
ekonomi dapat dikaji melalui karakteristik tutupan lahan dan tata guna lahan. Istilah
yang sering digunakan untuk mengkaji status sosial-ekonomi suatu wilayah disebut
dengan socio-economic mapping.
Begitu besar peluang berkembangnya komunitas-komunitas baru dalam
mengintegrasikan pendekatan geospasial dengan suatu kajian ilmu tertentu sehingga
memunculkan beragam kajian baru seperti geo-intelligence, geo-biodiversity, geo-
environment, geo-culture dan lain-lain. Kajian-kajian baru ini akan menumbuhkan
kekuatan dalam mencari solusi-solusi alternatif dari masalah-masalah yang ada untuk
ketangguhan bangsa dan ketahanan negara yang pada akhirnya paradigma baru
geospasial ini akan dapat berkontribusi dalam menjaga keutuhan Negara Kesatuan
Republik Indonesia (NKRI).

2. Penginderaan Jauh dan Undang-undang Informasi Geospasial
Sejak diundangkannya aturan baru terkait dengan informasi geospasial yaitu
Undang-undang Informasi Geospasial (UU No. 4 tahun 2011) maka semakin jelas
peran teknologi penginderaan jauh di Indonesia. Undang-undang ini secara tegas
mengatur penyelenggara dan penyelenggaraan informasi geospasial dasar (IGD) dan
informasi geospasial tematik (IGT). Kegiatan penyusunan IGT dapat dilakukan oleh
badan pemerintah bahkan oleh perorangan. Hal ini sangat sesuai dengan dinamika
pengumpulan data geospasial dengan teknologi penginderaan jauh. Teknologi
penginderaan jauh mempunyai kemampuan secara temporal untuk merekam fenomena
perubahan terhadap obyek yang diamati terutama untuk produk penginderaan jauh yang
mempunyai resolusi spasial menengah dan kecil. Dengan keleluasaan bagi
perseorangan untuk membuat IGT tentunya ini akan memberikan peluang yang sangat
bagus bagi para peneliti untuk semakin meningkatkan aktifitas penelitiannya, karena
secara legal sudah terlindungi dengan undang-undang tersebut.
Sedangkan penyelenggaraan kegiatan pengumpulan IGT dapat menggunakan
wahana darat, air, udara, dan ruang angkasa (satelit). Penyelenggaraan kegiatan tersebut
wajib mendapatkan ijin jika menggunakan wahana selain satelit. Ini berarti memberikan
keuntungan positif bagi para peneliti, badan swasta, perorangan dalam melakukan
kegiatannya karena sampai saat ini data penginderaan jauh yang ada, sebagian besar
dikumpulkan dari perekaman wahana satelit. Dilain pihak, Badan Informasi Geospasial
(BIG), yang nantinya akan menjadi nama baru dari Bakosurtanal (Badan Koordinasi
Survei dan Pemetaan Nasional) akan mendapatkan banyak masukan dalam melakukan
pengumpulan data geospasial melalui teknologi penginderaan jauh. Selain itu,
dengan semakin banyaknya hasil penelitian terkait dengan pengumpulan IGT, maka
diharapkan hasil ini akan menjadi public domain yang dapat diakses oleh siapapun.
v

3. Kepemimpinan Berpengetahuan Geospasial
Sebagian besar orang Amerika dan mungkin juga dunia mengenal dan paham
peran George Washington sebagai pemimpin tentara melawan kekuatan Inggris saat
terjadi Revolusi Amerika, dan George Washington sebagai Presiden Amerika yang
pertama (lcweb2.loc.gov). Tetapi banyak yang tidak megetahui bahwa kehidupan
mantan Presiden tersebut terkait dengan dunia geografi dan kartografi. Dia ternyata
seorang surveyor dan pembuat peta (mapmaker). Antara tahun 1747 1799,
Washington melakukan survei lebih dari 200 bidang tanah dengan total luas sekitar 6,5
juta meter persegi di 37 tempat berbeda. Setelah meninggal pada tahun 1799, lebih dari
seribuan biografi mengulas kehidupan George Washington (Gambar 2). Sebagian besar
dari biografi tersebut mengulas kehidupan sang mantan Presiden sebagai surveyor,
bukan sebagai Presiden Negara Adidaya Amerika!
George Washington hanyalah salah satu contoh pemimpin dunia yang punya
kecerdasan geospasial. Kecerdasan geospasial yang dimilikinya dia bangun sebagian
besar karena karirnya sebagai surveyor, dan dengan karirnya tersebut dia menjadi
paham dengan negaranya sendiri, berpindah dari tempat yang satu ke tempat lainnya.
Washington paham betul apa yang menjadi kebutuhan wilayah tersebut dan mengerti
apa yang menjadi keunikan suatu wilayah yang dia survei, dan kadang-kadang karena
keunikannya justeru menjadi kelemahan wilayah tersebut. Karir sebagai tentara juga
sangat membantu dan mewajibkan dia untuk mengerti persis suatu wilayah, apalagi
untuk tujuan memata-matai musuh. Singkat kata, George Washington menjadi sosok
pemimpin yang punya visi untuk mempertahankan Amerika sebagai negara yang utuh
dan berdaulat. Tentu saja, sosok kepemimpinan berpengetahuan geospasial yang
dimiliki Washington, salah satunya, mengantarkannya menjadi Presiden Amerika yang
pertama.

















Gambar 2. Soekarno: Presiden Indonesia ke-1 (kiri) dan George Washington: Presiden
Amerika ke-1 (kanan)
(sumber: id-id.facebook.com, oztorah.com)

vi

Jika George Washington adalah Presiden Amerika pertama dengan karir
sebagai tentara dan surveyor (juru ukur tanah) mengantarkannya menjadi pemimpin
dunia berpengetahuan geospasial. Bagaimana dengan Indonesia? Adakah pemimpin
Indonesia berpengetahuan geospasial? Jawabnya adalah ada! Pemimpin tersebut adalah
Soekarno, Presiden Pertama Republik Indonesia (Gambar 2). Soekarno adalah
penggali Pancasila karena dia yang pertama kali mencetuskan konsep mengenai dasar
negara Indonesia dan dia sendiri yang menamainya Pancasila (id.wikipedia.org). Selain
sebagai konseptor Pancasila, Soekarno juga dikenal sebagai arsitek beberapa bangunan
bersejarah bersama Ir. Anwari dan Ir. Rooseno.
Kalau kita cermati sila ke tiga dari Pancasila yang berbunyi Persatuan
Indonesia (The unity of Indonesia), maka sila ini mengandung makna yang sangat
dalam. Salah satu makna dari sila ini adalah mengembangkan rasa cinta kepada tanah
air dan bangsa. Makna ini mengandung arti keruangan atau wilayah secara geografis
membentang dari Sabang sampai Merauke. Sila ke tiga inilah yang menunjukkan
betapa pengetahuan tentang ruang (geospasial) dimiliki oleh Soekarno. Soekarno
sebagai arsitek pun menunjukkan bahwa beliau memang seorang pemimpin
berpengetahuan geospasial. Dan semangat Soekarno untuk menjaga keutuhan Negara
Kesatuan Republik Indonesia (NKRI) pun tetap terjaga sampai sekarang.

DAFTAR REFERENSI

Hagget, P., Geography: Modern synthesis, 1978.
Wikantika, K., Mitigasi bencana berbasis geospasial dan partisipasi masyarakat: Mewujudkan
spatial awareness dan disaster awareness, Kuliah Kapita Selekta Infrastruktur, Fakultas
Teknik Sipil dan Lingkungan, ITB, 2005.
Wikantika, K., Urban sprawl phenomenon detection using spectral mixture analysis from
multitemporal Landsat satellite images: A study case in Bandung basin, Indonesia, The
13
th
CEReS International Symposium on Remote Sensing Disaster Monitoring and
Mitigation in Asia, Chiba University, Japan, October 29-30, 2007.
Wikipedia, [http://id.wikipedia.org][diakses 10 Desember 2011].

vii

DAFTAR I SI

Kata Pengantar .................................................................................................................. i
Sekapur Sirih .................................................................................................................... ii
Daftar Isi ......................................................................................................................... vii
Perkembangan Radar dalam Penginderaan Jauh ........................................................... 1
Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker)
dengan Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model ............ 25
Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura- Omi .............................. 39
Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil
Observasi Sciamachy...................................................................................................... 55
Aplikasi Teknologi Penginderaan Jauh untuk Observasi Variabilitas Karbon
Monoksida di Indonesia ................................................................................................. 70
Aplikasi Indraja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas Enso
dan Iod ............................................................................................................................ 80
Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD di Indonesia -
Observasi menggunakan Data TRMM 3B43 ................................................................. 92
Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia Terkait
dengan Proyeksi Iklim di Masa Mendatang ................................................................. 109
Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung ......................... 132
Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and
Ranging ....................................................................................................................... 143
LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi ........... 156




1

Perkembangan Radar dalam Penginderaan Jauh




Ishak Hanafiah Ismullah
Kelompok Keilmuan Inderaja dan Sains Informasi Geografis, Fakultas Ilmu dan Teknologi
Kebumian, Institut Teknologi Bandung

Abstrak
Sistim Radar atau RAdio Detection and Ranging semakin berkembang termasuk dalam
pemanfaatannya di bidang penginderaan jauh. Sebagai salah satu sistim penginderaan
jauh aktif, sistim radar memanfaatkan gelombang mikro yang dipancarkan dalam
berbagai panjang gelombang untuk memperoleh lokasi objek-objek di permukaan bumi.
Penggunaan sistim radar pada pemetaan diawali dengan sistim radar apertur riil di mana
penciteraan dilakukan ke arah miring (side looking). Permasalahan pada panjang
antenna untuk memperoleh resolusi spasial yang tinggi pun terpecahkan dengan
dikembangkannya sistim radar apertur sintetik (SAR) pada wahana satelit ERS,
TerraSAR, maupun dengan pesawat seperti SRTM, sehingga memungkinkan untuk
dilakukan penelitian pada berbagai disiplin ilmu menggunakan citra ini. Tidak hanya
sampai di sana, penginderaan jauh radar kemudian dikembangkan dengan
memanfaatkan perbedaan fasa yang diterima melalui sensor atau epok yang berbeda,
yang disebut sebagai radar apertur sintetik interferometris (InSAR). Hal inilah yang
kemudian mendukung penggunaan citra radar untuk menghasilkan DEM dengan
ketelitian tinggi, pemetaan arus laut, dan peta kontur.
Kata kunci : Radar, SAR, Radar Interferometris.

Abstract
Radar or Radio Detection and Ranging system is still developed including in its
utilization of remote sensing sector. As one of the active remote sensing system, radar
use microwaves emited in various wavelengths to obtain the location of above ground
objects. Utilization of radar in mapping sector was begun with riil aperture radar
(RAR) system in which imaging system was done by the obliquity (side looking).
Problems of the antenna length to obtain high resolusion was solved by the
development of synthetic aperture radar (SAR) on spacecrafts such as ERS and
TerraSAR, or aircraft such as SRTM, making it possible to do research in various
disciplines. Furthermore, radar remote sensing the developed into the utilization of
phase differences received by different sensors or at different times, called
interferometric synthetic aperture radar. This system also support the use of radar
imagery to produce high resolution DEM, sea current mapping, and contour map.
Keywords : Radar, SAR, Interferometric Radar.


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


2

Berawal dari percobaan yang dilakukan oleh H.R.Hertz pada tahun 1887 (Enc.
Americana, 1968), yang mendemonstrasikan pengaruh pantulan gelombang radio yang
diakibatkan berbagai macam objek dan membuktikan bahwa kecepatan rambat
gelombang elektromaknetik sama dengan kecepatan cahaya, penginderaan jauh aktif
terus berkembang sehingga objek yang jauh dapat terdeteksi. Kata Radar pertama kali
digunakan oleh Angkatan Laut Amerika Serikat (United States Navy -US Navy) pada
tahun 1940 yang merupakan singkatan dari RAdio Detection And Ranging, yaitu untuk
mendeteksi dan mengetahui lokasi suatu objek.
Radar mulai dikembangkan dalam perang dunia ke II pada tahun 1940-an untuk
mendeteksi pesawat terbang dan kapal laut, kemudian dilanjutkan dengan teknologi
radar apertur riil (Real Aperture Radar) dengan sistim pandangan ke arah samping di
pesawat terbang (Side Looking Airborne Radar - SLAR). Antara tahun enam puluhan
dan tujuh puluhan, sistim SLAR ini mulai digunakan untuk keperluan non militer,
terutama untuk analisis lahan dan survei sumber daya alam. Dalam tahun 1970-an itu
juga, Jet Propulsion Laboratory (JPL) di Pasadena California, USA, melakukan
penelitian khususnya pengembangan radar apertur riil menjadi radar apertur sintetik
(Image Center, 1996).
Peluncuran satelit Seasat pada tahun 1978, merupakan satelit pertama yang
dikembangkan oleh Amerika Serikat yang membawa sensor radar untuk keperluan non
militer, sangat disayangkan bahwa satelit ini hanya berumur 3 bulan (Schreier, 1993).
Kemudian berturut-turut eksperimen lain yang dilakukan oleh Amerika Serikat dengan
memanfaatkan pesawat ulang alik, yaitu Shuttle Imaging Radar (SIR) pada tahun 1981
dan 1984, serta pada tahun 2000 SRTM (Shuttle Radar Topographic Mapping). Hasil
dari pesawat ulang alik ini menunjukkan sesuatu yang belum pernah terjadi
sebelumnya, di mana salah satunya adalah dapat menembus permukaan gurun sahara
pada kedalaman antara 10 m hingga 20 m dengan menggunakan band L (Image center,
1996).
Rusia dengan satelit Cosmos juga menggunakan sistim radar apertur sintetik untuk
penelitian oseanografi pada tahun 1983 dan satelit Almaz yang beroperasi pada tahun
1990 hingga 1992 untuk pemetaan. Satelit Radarsat milik Kanada yang diluncurkan
pada tahun 1995 (Intermap, 1996), khususnya untuk pemantauan salju dan sejak tahun
1998 banyak digunakan untuk pemantauan lingkungan, terutama pencemaran minyak di
laut (Radarsat, 1999). Peluncuran satelit Radarsat-2 pada tahun 2007, mempunyai
resolusi spasial cukup tinggi, baik untuk planimetris maupun tinggi, sehingga dari citra
satelit Radarsat-2 dapat dihasilkan citra ORRI (Ortho Rectified Radar Image) dan
DEM ( Digital Elevation Model) dengan resolusi yang cukup baik, sehingga dapat
digunakan untuk pemetaan skala 1 : 50.000.
Dengan diluncurkannya satelit European Remote Sensing Satellite (ERS-1) pada tahun
1991, ERS-2 pada tahun 1995 (ESA-Esrin, 1997) penelitian-penelitian di bidang
pengolahan citra radar satelit menjadi makin menarik. Pada awalnya misi utama dari
satelit ERS-1 adalah untuk oseanografi, akan tetapi pada kenyataannya penelitian-
penelitian berikutnya menunjukkan bahwa citra radar dapat dimanfaatkan untuk
keperluan lain. Salah satunya adalah dengan metoda radar apertur sintetik

Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


3

interferometris, yang sangat menjanjikan penggunaaannya di masa mendatang.
Peralatan Gelombang mikro aktif (Active Microwave Instruments - AMI) yang dibawa
oleh wahana ERS-1 dan ERS-2, melakukan pengamatan permukaan bumi siang
maupun malam terus menerus baik pada saat naik (Ascending) maupun turun
(Descending) (CNES, 1999), dan EnviSAT dengan sistim ASAR (Advanced Synthetic
Aperture Radar) yang diluncurkan pada tahun 2001.
Untuk pertama kalinya didapat citra radar apertur sintetik dalam jumlah yang sangat
banyak, meliputi hampir seluruh muka bumi, hal ini memungkinkan dilakukannya
berbagai macam penelitian menyangkut berbagai macam disiplin ilmu, terutama yang
menyangkut pengamatan permukaan bumi. Khusus untuk oseanografi, data radar
apertur sintetik dapat digunakan untuk menyelidiki gelombang, arus laut, batimetri,
monitoring daerah pesisir, hidrologi, perikanan dan pendeteksian hutan bakau. Untuk
permukaan darat, data radar apertur sintetik cukup baik untuk pemetaan geologi dan
pemetaan liputan lahan.
Dengan menggunakan dua citra radar apertur sintetik dari ERS-1, dimungkinkan
dilakukan pengolahan interferometrik melalui perhitungan fasa. Peluncuran ERS-2
pada bulan April 1995 yang mempunyai karakteristik sama dengan ERS-1,
memungkinkan dilakukannya pengolahan citra radar apertur sintetik interferometris
dengan pasangan tandem, yaitu gabungan antara citra ERS-1 dan citra ERS-2 yang
lintasan orbitnya hanya berbeda satu hari (ESA-Esrin,1997).
Satelit TerraSAR-1 yang diluncurkan pada tahun 2007 memanfaatkan gelombang X
pada pencitraannya, dan pada tahun 2010, diluncurkan satelit TerraSAR-2 dengan
karakteristik yang sama dengan TerraSAR-1. TerraSAR-1 dan TerraSAR-2 mengorbit
secara tandem, sehingga dapat mencitrakan wilayah yang sama pada saat yang sama,
dengan demikian gabungan dari keduanya akan menghasilkan DEM dengan tingkat
ketelitian sangat tinggi, hingga sekitar 2 meter.
Di samping itu semua, perkembangan radar apertur sintetik interferometris juga sangat
maju dengan pesat, khususnya pelaksanaan dengan menggunakan wahana pesawat
terbang. Intermap yang berbasis di Denver, Colorado Amerika Serikat,
mengembangkan STAR3i, yaitu sistim pencitraan Radar dengan 2 antena sekaligus,
yang dipasang di pesawat terbang (LearJet dan juga pesawat berbaling-baling). Mereka
juga sedang mengembangkan STAR4 yang lebih canggih, dengan hasil DEM
diharapkan akan mampu mencapai resolusi antara 1.5 hingga 2.0 meter.
Pesaing Intermap adalah Orbisar, yaitu sistim yang dikembangkan oleh Orbisat, yaitu
perusahaan swasta di Brasilia, yang memanfaatkan pesawat terbang dengan
menggunakan 2 jenis panjang gelombang, yaitu gelombang X (Band-X) dan gelombang
P (Band-P).



I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


4

1. KONSEP RADAR

Berbeda dengan sistim optis yang menggunakan cahaya tampak, sistim ini
menggunakan gelombang mikro yang dipancarkan oleh sensor, dan pantulan baliknya
diterima kembali oleh sensor yang sama. Oleh karena itu sistim ini sering disebut
sebagai sensor aktif. Prinsip utama sistim radar adalah mengukur jarak dari sensor ke
target. Karena pada sistim ini menggunakan radiasi / iluminasi yang di pancarkan
sendiri oleh sensor, maka sistim ini tidak tergantung dari cahaya matahari. Dengan
demikian sistim ini dapat bekerja terus menerus baik siang maupun malam, meski
distorsi atmosfir dapat terjadi dalam sistim ini (Hanssen and Usai, 1997). Konsep
umum cara kerja radar lihat Gambar 1.
Sensor




S

Target

Permukaan bumi

Gambar 1. Konsep umum cara kerja radar
S = Penjalaran gelombang elektromaknetik dari sensor ke target dan kembali ke sensor

Pada awal penggunaan sistim radar pada pemetaan/penginderaan jauh, dilakukan
dengan sistim radar apertur riil (Real Aperture Radar - RAR), di mana pada sistim ini
digunakan antena cukup panjang sekitar 4 hingga 6 meter dan dapat lebih panjang.
Makin panjang antena akan didapat resolusi makin baik (Sabin, 1978). Dengan
pemakaian antena yang panjang tersebut, sangat banyak keterbatasannya, terutama
menyangkut penempatan antena yang panjang di wahana, khususnya pesawat terbang.
Sistim radar menggunakan panjang gelombang mikro yang mempunyai ukuran sekitar
5 mm hingga 1000 mm, sehingga mampu menembus awan. Pita / Saluran (band),
panjang gelombang dan frekuensi yang digunakan sistim radar dalam penginderaan
jauh, dapat dilihat pada Tabel 1. Sedangkan hubungan antara kemampuan menembus
awan dan panjang gelombang dalam sistim radar dapat dilihat pada Gambar 2.


Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


5

Tabel 1. Panjang Gelombang dan Frekuensi yang digunakan sistim radar pada
Penginderaan Jauh (CNES, 1993)
Saluran
Panjang Gelombang
(cm)
Frekuensi
(Mhz)
Ka 0,8 - 1,1 40.000 - 26.500
K 1,1 - 1,7 26.500 - 18.000
Ku 1,7 - 2,4 18.000 - 12.500
X 2,4 - 3,8 12.500 - 8.000
C 3,8 - 7,5 8.000 - 4.000
S 7,5 - 15,0 4.000 - 2.000
L 15,0 - 30,0 2.000 - 1.000
P 30,0 - 100,0 1.000 - 300


9 Cm
= Panjang gelombang

= Frekuensi 7 Cm

5GHz

5 Cm


3 Cm 10GHz


awan air
1 Cm 30GHz



100 % 75 % 50 % 25 % 0 %(penembusan awan)

Gambar 2. Hubungan panjang gelombang dengan penembusan awan (ESA Esrin , 1996)

2. GEOMETRI PENCITRAAN RADAR
Pencitraan radar, baik dengan wahana pesawat terbang maupun satelit, selalu dilakukan
ke arah miring (side looking), untuk jelasnya dapat dilihat pada geometri pencitraan
radar Gambar 3, dan hal ini akan berakibat timbulnya suatu resolusi spasial, yang terdiri
dari komponen resolusi ke arah melintang lintasan disebut resolusi jarak (range
resolution) dan resolusi ke arah searah lintasan disebut resolusi azimut (azimuth
resolution). Pada radar apertur riil resolusi spasial ini ditentukan oleh sudut masuk,
panjang pulsa dan lebar sorot ( beam width). Panjang pulsa dan sudut masuk berakibat

I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


6

pada ukuran elemen resolusi jarak, sedang lebar sorot berpengaruh terhadap elemen
resolusi azimut (Schreier,1993).
Resolusi jarak (
RAR
r
R ), dan resolusi azimut
RAR
a
R ( ) dapat dilihat pada Gambar 4.
Dari Gambar 4.a, Resolusi jarak
RAR
r
R dapat dihitung melalui hubungan berikut,
RAR
r
R =
u Sin
t c
2
.
(1)
di mana u = sudut masuk, t = panjang pulsa dalam satuan waktu dan c = kecepatan
pulsa gelombang mikro (dalam vakum).

Lintasan wahana

Sensor


u Lintasan tanah


H Arah Azimut
(searah lintasan)





Arah Jarak Jarak tanah
(melintang lintasan)

Gambar 3. Geometri Pencitraan Radar




Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


7

(a) (b)
u

u

H H |





r
R
R

RAR
a
R
Gambar 4. (a) Resolusi jarak (b) Resolusi azimuth (Platschorre,1997)
Lebar sorot antena | menentukan besar resolusi azimut
RAR
a
R dan makin kecil
nilai jarak tanah R , resolusi azimut juga makin kecil , lihat Gambar 4.b. Resolusi
azimut dapat dihitung melalui hubungan berikut,
RAR
a
R = R . | = | u. tan H dan | =
d

(2)
di mana H = tinggi sensor , | = lebar sorot , u = sudut masuk , = panjang
gelombang mikro dan d panjang antena (Lillesands & Kiefer,1978).
Dari hubungan di atas, dapat dilihat bahwa makin panjang antena, harga
RAR
a
R makin
kecil dan ini menunjukkan bahwa resolusi makin tinggi. Akan tetapi makin panjang
antena, merupakan kendala dan merupakan kelemahan dari sistim ini, karena makin
panjang antena akan makin sulit penempatannya di wahana.

3. RADAR APERTUR SINTETIK
Berawal dari kelemahan pada radar apertur riil yang memerlukan antena panjang untuk
mendapatkan ketelitian tinggi, maka berkembang teknik baru dalam sistim
penginderaan radar dengan antena yang relatif kecil yang dinamakan Radar Aperture
Sintetik (Synthetic Aperture Radar). Radar apertur sintetik mengambil keuntungan dari
gerakan wahana sepanjang lintasan, dan antena yang relatif kecil tadi mampu
menggantikan fungsi dari antena yang panjang. Konsep radar apertur sintetik dapat
dilihat dalam Gambar 5 .


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


8



L
|
H

T


Gambar 5. Konsep radar apertur sintetik
R = adalah jarak tanah
d = panjang antena
| lebar sorot =
d

(rad)
L = panjang antena sintetik = R. | = R.
d

(m)
d = Panjang antena
dengan demikian makin besar jarak tanah, antena sintetik juga akan makin panjang.
Hubungan di atas hanya berlaku untuk penjalaran satu arah, sedang dalam radar apertur
sintetik penjalaran harus dua arah untuk membentuk antena sintetik tersebut. Maka
untuk antena sintetik berlaku hubungan berikut (Kingsley, 1992),
s
| =
L 2

=
R
d
2
(rad) (3)
sehingga resolusi azimut untuk sistim radar apertur sintetik menjadi,
a
R = R.
s
| =
2
d
(4)
Dengan demikian resolusi spasial pada sistim radar apertur sintetik tidak tergantung
pada panjang gelombang dan tinggi wahana, hanya tergantung pada ukuran fisik
panjang antena-nya.

4. RADAR APERTUR SINTETIK INTERFEROMETRIS
Radar apertur sintetik interferometris merupakan teknik pencitraan yang dapat
diterapkan dengan menggunakan pesawat terbang maupun satelit. Pada penerapan
dengan pesawat terbang, digunakan dua antena yang bekerja pada saat yang sama.
Teknik ini dinamakan lintasan tunggal (single pass). Penerapan dengan menggunakan
R

Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


9

satelit hanya menggunakan satu antena, dan permukaan bumi diindera dengan cara
pengulangan lintasan (repeat pass), karena antena mengindera tidak pada saat yang
sama. Untuk lintasan tunggal dapat dilihat pada Gambar 6 dan Gambar 7 di mana
kedua antena dapat diletakkan di posisi melintang pesawat terbang (across track)
ataupun di posisi memanjang pesawat (along track).

Pesawat terbang B
B
z

B
y


u


r
2
- r
1
= |
t

A
2
(5)
r
1
r
2


| A =

t 2
B
y
sin u + B
z
cos u (6)

Gambar 6. Radar Apertur Sintetik Interferometris lintasan tunggal (single pass) - Sistem
melintang pesawat ( across track) (Gens, 1996)
Dalam Gambar 6 di atas, kedua antena masing-masing dipasang di kiri dan kanan sayap
pesawat terbang. Satu antena sebagai pemancar dan penerima, sedang antena lainnya
berfungsi sebagi penerima saja. B adalah jarak antara antena kiri dan antena kanan, dan
dinamakan basis (baseline) kanan, sedangkan
y
B dan
z
B merupakan komponen basis
dalam arah mendatar dan tegak. u adalah sudut masuk, sedang
1
r dan
2
r adalah jarak
miring (slant range), masing-masing dari antena pertama ke objek dan dari antena
kedua ke objek yang sama di permukaan bumi. A adalah beda fasa yang terjadi
antara sinyal radar dari antena pertama dan dari antena kedua, merupakan panjang
gelombang mikro yang digunakan. Pada awal tahun 2000, sistim ini diterapkan
dipesawat ulang-alik ( Shuttle Radar Topographic Mission).


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


10

Pesawat terbang





B

Gambar 7. Radar Apertur Sintetik Interferometris lintasan tunggal (single pass) - Sistim
memanjang pesawat (along track) (Gens, 1996)
Pada Gambar 7, kedua antena dipasang di muka dan di belakang pesawat terbang,
sejajar dengan arah terbang pesawat. Jarak antara antena di muka dan di belakang
pesawat disebut basis B. Kedua antena berfungsi sebagai pemancar dan penerima
gelombang radar dengan panjang gelombang . Karena pengaruh letak dari kedua
antena, maka akan terjadi perbedaan waktu (delay) sebesar t A dalam perekaman oleh
antena pertama dan antena kedua. Hal ini akan berakibat perbedaan fasa sebesar | A .
Jika radiasi sinyal balik dari objek bergerak dengan kecepatan U, maka beda fasa yang
terjadi adalah sebesar,
| A = t U A . .
4

t
= B
V
U
.
.
. 4

t
(7)

di mana V adalah kecepatan pesawat terbang.

Dalam radar apertur sintetik interferometris sistim pengulangan lintasan (repeat pass),
hanya diterapkan di satelit, baik ERS-1, ERS-2, Radarsat, EnviSAT maupun JERS dan
dapat dilihat pada Gambar 8 berikut,
Lintasan satelit

S
2

B
S
1
u


u
r
2



r
1

Lintasan satelit
Gambar 8. Radar Apertur Sintetik Interferometris - Sistim pengulangan lintasan ( repeat
pass ) (Kampes, 1999)

Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


11

S
1
dan S
2
masing-masing adalah sensor pertama membawa satu antena dan sensor
kedua juga membawa satu antena. Satelit melintas permukaan suatu area di bumi pada
saat yang tidak sama, dengan membentuk jarak antar lintasan sepanjang B dan
jarak ini dinamakan basis (baseline ). Sudut u adalah sudut masuk sedangkan r
1

dan r
2
adalah jarak miring dari sensor pertama dan kedua ke objek yang sama di
permukaan bumi. Beda fasa | A antara dua sinyal balik yang diterima dari objek di
permukaan bumi pada kedua posisi antena adalah :
| A = ) (
4
1 2
r r

t
(8)

5. GEOMETRI RADAR APERTUR SINTETIK INTERFEROMETRI
BERBASIS SATELIT
Seperti ditulis sebelumnya, Radar apertur sintetik interferometris yang diterapkan di
satelit ERS-1 dan ERS-2, dilakukan dengan pengulangan lintasan. Untuk ERS-1,
pengulangan lintasan pada area yang sama dilakukan dalam perioda 35 hari, begitu
juga untuk ERS-2. Sehingga jika akan digunakan pasangan citra dengan satelit yang
sama, minimum diperlukan waktu selama 35 hari. Hal ini menyebabkan pengaruh yang
cukup besar terhadap sinyal balik-nya, karena pada perioda 35 hari umumnya sudah
terjadi perubahan pada liputan lahannya (tumbuhan, dll) dan ini berakibat langsung
pada sinyal balik. Dengan diluncurkannya satelit ERS-2 yang mempunyai karakteristik
yang sama dengan ERS-1 dan melintas dengan beda waktu hanya satu hari,
mengakibatkan gabungan pasangan ERS-1 dan ERS-2 sangat menarik karena
perubahan liputan lahannya relatif masih tetap. Gabungan ERS-1 dan ERS-2 dinamakan
dengan pasangan tandem.
Pada ERS-1 dan ERS-2, sensor meng-indera kearah samping kanan dengan sudut
masuk 23
0
dan tegak lurus arah lintasan. Dengan demikian jika satelit pada posisi naik
(ascending), sensor mengarah ke-timur, dan pada saat turun (descending) sensor
mengarah ke barat. Setiap piksel pada citra radar sesuai dengan suatu bagian di
permukaan bumi. Nilai kecerahan dari setiap piksel ditentukan oleh amplitudo dari
sinyal balik yang diterima antena. Dengan diluncurkannya satelit EnviSAT, dimana
salah satu sensornya adalah ASAR yang mempunyai banyak kelebihan dibandingkan
dengan satelit ERS, memungkinkan dilakukan lebih banyak penelitian dengan
memanfaatkan data satelit EnviSAT ini.
Geometri pencitraan baik pada satelit ERS-1 maupun ERS-2 dapat dilihat pada Gambar
9 dibawah ini,


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


12


Lintasan orbit
Sensor
|
u
L
H







Gambar 9. Geometri pencitraan pada satelit ERS (Platschorre,1997)
Dari gambar diatas, L adalah panjang pulsa, H adalah tinggi satelit, | merupakan
lebar sorot, dan u adalah sudut masuk.
Jika terdapat dua titik P dan R dengan jarak dan azimut tertentu, di-indera oleh
satu sensor, maka kedua titik tersebut kemungkinan akan muncul di piksel yang sama
sehingga tidak dapat dibedakan satu sama lain, padahal kedua titik tersebut mempunyai
ketinggian yang tidak sama. Dengan demikian diperlukan sensor kedua untuk
mengetahui ketinggian titik tersebut (Hartl,1996). Pada Gambar 10, terlihat bahwa jika
sensor kedua melakukan pencitraan dengan posisi yang berbeda dari sensor pertama.
Titik yang sama akan mempunyai fasa yang tidak sama di masing-masing citra dan
beda fasa diantara kedua citra pada titik tersebut merupakan fungsi tinggi dari titik
tersebut.


Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


13

Z o S
2

B
S
1

u

H r
1
r
2




R
P h
X Y
Gambar 10. Geometri pencitraan radar apertur sintetik interferometris satelit (Hartl,
1996)
S
1
dan S
2
diperlukan untuk menentukan ketinggian h diatas permukaan referensi, B
merupakan basis, o sudut yang dibentuk oleh basis dan garis mendatar, sedang u
adalah sudut masuk, r
1
dan
2
r adalah jarak miring dari masing-masing sensor ke
objek yang sama di permukaan bumi. H ketinggian sensor diatas permukaan referensi,
sedang h tinggi objek. jika beda fasa adalah | A , maka dapat dituliskan,
| A =

t 4
. Ar (9)
Ar = r
1
- r
2

h = H - r
1
Cosu (10)
Beda fasa terbatas pada pada rentang - t dan t dengan demikian hanya dapat
diukur dengan ambiguitas 2t .

6. BASIS
Dari ulasan sebelumnya, salah satu yang menentukan dalam menghitung beda fasa
adalah Basis, baik pada sistim satelit maupun pesawat terbang, dan sering disebut
dengan Basis Interferometrik (Interferometric baseline).

I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


14

Basis didefinisikan sebagai jarak antara kedua posisi antena/sensor. Untuk penerapan di
satelit, basis interferometrik B dan komponennya, lihat Gambar 11 .
S
2
S
2
S
2

o

B
t
B
B
S
1
S
1

B S
1

d
B
a b c
u

Gambar 11. Basis Interferometrik dan komponennya (a) Basis interferometrik dan
orientasinya (posisi 1 sebagai posisi referensi) (b) Basis sejajar dan Basis tegak lurus
(

danB B ) (c) Basis mendatar dan Basis tegak (
t d
danB B ) (DEOS, 1999)
Dari panjang Basis Interferometrik B dan sudut orientasi , basis dapat dibagi menjadi
dua komponen, masing-masing komponen sejajar dan komponen tegak lurus, atau
komponen mendatar dan komponen tegak.
Panjang Basis interferometrik dapat mempengaruhi keperluan-keperluan tertentu.
Penggunaan panjang Basis Interferometrik dari satelit ERS-1 untuk keperluan tertentu
ditunjukkan pada Tabel 2 (Solaas, 1994). Pengaruh Basis Interferometrik terhadap
perubahan ketinggian akan meningkat jika panjang Basis Interferometrik makin
pendek.
Tabel 2. Penggunaan panjang Basis interferometrik dari satelit ERS-1 untuk keperluan
tertentu (Solaas, 1994)
Aplikasi Panjang Basis
Praktis < B

< 600 m
Model Permukaan Digital 150 m < B

< 300 m
Pendeteksian perubahan permukaan 30 m < B

< 70 m

Dengan meningkatnya panjang Basis Interferometrik, maka derau fasa (phase noise)
akan mengakibatkan makin rendahnya koherensi.
Koherensi akan hilang sama sekali jika panjang basis interferometri tersebut mencapai
batas kritisnya.
Dekorelasi penuh akan terjadi bila Basis interferometrik B > 2768 meter (Kooij et
al.,1995).



Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


15

7. PARAMETER-PARAMETER YANG MEMPENGARUHI SINYAL
BALIK PADA PENGINDERAAN RADAR
Umumnya sinyal balik pada sistim penginderaan radar di terima kembali di sensor pada
kondisi yang sangat lemah, sehingga perlu dilakukan penguatan terhadap sinyal balik
ini. Parameter yang berpengaruh terhadap sinyal balik ini dibagi menjadi dua bagian
utama, masing-masing adalah,
1. Parameter sistim,
2. Parameter permukaan.
7.1 Parameter Sistim
Dalam parameter sistim, dikenal beberapa hal yang mempengaruhi sinyal, masing-
masing adalah Panjang gelombang, Polarisasi, dan Sudut masuk.
Panjang Gelombang. Seperti dijelaskan sebelumnya bahwa pada sistim radar bekerja
pada gelombang mikro dari panjang gelombang sekitar 5 mm hingga 1000 mm. Makin
pendek panjang gelombang, makin tinggi resolusi yang dihasilkan, akan tetapi
kemampuan penetrasinya makin kecil. Khusus untuk penggunaan Saluran-L dengan
panjang gelombang 23,5 cm, dapat menembus hingga 20 meter, ini terjadi pada gurun
Sahara pada padang pasir yang sangat kering.
Polarisasi. Sangat tergantung pada orientasi dari medan elektrik dan medan magnetik
pada gelombang elektromagnetik.







a b

Gambar 12. Polarisasi pada sinyal radar; (a) polarisasi mendatar dan (b) polarisasi tegak
(ASPRS,1998)

Sistim radar dapat memancarkan dan menerima radiasi elektromagnetik baik dalam
polarisasi mendatar maupun tegak. Interaksi gelombang radar dengan permukaan
bumi dapat merubah polarisasi, berdasarkan sifat dari targetnya. Polarisasi pada sinyal
radar ditunjukkan pada Gambar 12.

I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


16

Sudut Masuk. Merupakan sudut yang dibentuk oleh arah tegak dengan arah pancaran
radar ke objek. Sudut masuk berubah mulai dari jarak dekat hingga jarak jauh, sehingga
hal ini berpengaruh terhadap medan pandang. Untuk sudut masuk yang curam ( < 20
0
)
akan memberikan pantulan maksimum. Pemilihan sudut masuk harus memperhatikan
kondisi topografi yang diinderanya, karena sangat berpengaruh terhadap terjadinya
distorsi akibat kondisi topografi tersebut. Disamping itu, dikenal juga sudut masuk
lokal, yaitu sudut masuk sebenarnya yang terjadi di setiap titik di permukaan tanah.
Sudut masuk dan sudut masuk lokal ditunjukkan dalam Gambar 13.
Sudut masuk
Sudut masuk
u u Sudut masuk lokal

Sudut masuk lokal

u



Gambar 13. Sudut masuk dan sudut masuk lokal (CNES, 2000)

7.2 Parameter Permukaan
Parameter permukaan sangat erat hubungannya dengan kondisi permukaan yang
diindera sistim radar. Interaksi antara radar dan material-material yang terdapat di
permukaan dipengaruhi oleh beberapa unsur, antara lain, kekasaran permukaan,
Geometri permukaan, dan Sifat dielektrika. Pancaran gelombang mikro yang
berinteraksi dengan permukaan bumi akan dihamburkan oleh objek, di pantulkan secara
spekular atau di pantulkan sempurna.
Kekasaran permukaan. Kekasaran permukaan merupakan istilah yang relatif dan
sangat tergantung pada panjang gelombang , serta sudut masuk u , dimana
permukaan yang halus dan kasar memenuhi pernyataan Kriteria Reyleigh berikut
(Sabin, 1978)
h <
u

Cos 25
halus
(11)
h >
u

Cos 4 , 4
kasar

dengan demikian untuk panjang gelombang yang sangat besar, hampir semua
permukaan bumi tampak halus, sedang untuk panjang gelombang yang sangat pendek,
permukaan bumi akan tampak kasar. Pada citranya, untuk parmukaan yang kasar, akan

Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


17

tampak cerah sedangkan untuk permukaan halus, akan tampak gelap. Pengaruh
permukaan / objek terhadap sinyal balik ditunjukkan pada Gambar 14.

Sensor









a b c
Gambar 14. Pengaruh permukaan /objek terhadap sinyal balik. (a) dihamburkan; (b)
spekular; (c) dipantulkan sempurna (Image Center, 1996)

Geometri Permukaan. Seperti pada pemotretan udara (sistim optik), selalu dihadapkan
pada objek-objek yang mempunyai ketinggian, sehingga menimbulkan pergeseran relief
pada hasil citranya. Pada foto udara, pemotretan dilakukan dengan sumbu kamera
tegak, sehingga pergeseran relief terjadi secara radial menjauhi titik nadir. Sedangkan
pada citra radar, pergeseran relief terjadi tegak lurus terhadap lintasan terbang dan
mendekati sensor.
Karena bentuk geometri pencitraan dengan radar selalu dalam arah samping dan
permukaan yang di indera tidak selalu datar, maka dengan adanya bentuk permukaan
yang tidak datar tersebut, sistim radar akan selalu dihadapkan pada distorsi yang
diakibatkan adanya kondisi tersebut. Distorsi yang diakibatkan terdiri dari
(Abiyoto,1998),
a. Bayangan (shadowing ),
b. Pemendekan ( foreshortening ),
c. Tumpang tindih ( layover ).
Ketiga jenis distorsi tersebut sering disebut dengan distorsi topografis.
Bayangan ( shadow ). Merupakan gambaran objek yang tidak tercakup oleh gelombang
elektromagnetik yang dipancarkan oleh sistim radar. Sehingga akibat tidak adanya
sinyal balik yang diterima oleh sensor, maka daerah bayangan tersebut akan tampak
gelap. Terjadinya bayangan akibat tertutup oleh bentuk topografi yang lebih tinggi pada
arah jarak ditunjukkan dalam Gambar 15.


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


18

Proyeksi pada bidang miring

A
B bayangan

B D


A C D

Gambar 15. Terjadinya bayangan akibat tertutup oleh bentuk topografi pada arah jarak

Pemendekan (Foreshortening). Adalah pemendekan yang terjadi terhadap jarak
sebenarnya. Bila bidang AB tegak lurus terhadap arah datang sinyal, maka jarak
proyeksinya akan sama dengan nol. Pemendekan yang terjadi pada sistim radar
ditunjukkan dalam Gambar 16.
Proyeksi pada bidang miring

Pemendekan

A
B

B


A C
Gambar 16. Pemendekan yang terjadi pada sistim radar

Pembalikan ( layover) . Distorsi ini terjadi bila titik di puncak dan titik di dasar objek
terproyeksi terbalik terhadap posisi sebenarnya dilapangan . Hal ini bisa terjadi bila
sinyal balik dari puncak objek diterima lebih cepat dibandingkan dengan sinyal balik
dari dasar objek. Kondisi ini sangat mungkin terjadi di wilayah yang bergunung dengan
kecuraman yang sangat tajam. Tumpang tindih yang terjadi pada sistim radar
ditunjukkan dalam Gambar 17.


Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


19


Proyeksi pada bidang miring

Pembalikan
B
A


B


A C
Gambar 17 Tumpang tindih yang terjadi pada sistim radar

Untuk mendapatkan citra tanpa memperhitungkan kondisi topografis, dapat
dilakukan dengan teknik rektifikasi, yang sering disebut dengan pengolahan citra
orthogonal (ortho-image). Pengolahan ini dilakukan koreksi pada setiap posisi dan
ukuran piksel, kemudian diproyeksikan secara orthogonal.
Sifat Dielektrika. Sering diindikasikan sebagai Konstanta dielektrika kompleks
(Complex Dielectric Constant CDC), yang mengindikasikan apakah energi
gelombang mikro tersebut diserap, dipantulkan atau ditransmisikan.
Kelembaban suatu material, sangat mempengaruhi sifat elektrisitas, sebagai contoh,
pada konstanta dielektrika kompleks tinggi ( air = 80 ) merupakan reflektor yang baik.
Material dengan konstanta dielektrika kompleks rendah akan menyerap enersi dan oleh
karenanya dapat ditembus. Umumnya makin besar panjang gelombang radar yang
digunakan, penembusan enersi akan makin dalam pada suatu material.



I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


20

8. BEBERAPA CONTOH HASIL PENGOLAHAN
a. Peta arus permukaan laut didaerah Amelan, Belanda. Hasil Pengolahan Radar
Apertur Sintetik Interferometris data pesawat terbang

b. Model tinggi permukaan dijital (DEM / Digital Elevation Model) Hasil
Pengolahan Radar Apertur Sintetik Inteferometris data pesawat terbang, metoda
across track, oleh DLR Jerman, daerah West-Terschelling, Belanda. Skala
menunjukkan tinggi dalam meter











Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


21

c. Interferogram hasil pengolahan Radar Apertur Sintetik Interferometris data
satelit, untuk wilayah Gunung Cikuray dan Papandayan (Ismullah,2002).

d. Hasil pengolahan phase unwrapping dari interferogram yang ditunjukkan pada
butir c, daerah Gunung Cikuray dan Papandayan.


I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


22

e. Model Tinggi Permukaan Dijital hasil konversi fasa menjadi tinggi, dari hasil
phase unwrapping butir d, daerah Gunung Cikuray dan Gunung Papandayan.



















f. Peta Garis Kontur dari hasil Radar Apertur Sintetik Interferometris daerah
Gunung Cikuray dan Gunung Papandayan, Jawa Barat, interval 25 meter.


















1000.00
1100.00
1200.00
1300.00
1400.00
1500.00
1600.00
1700.00
1800.00
1900.00
2000.00
2100.00
2200.00
2300.00
2400.00
2500.00
2600.00
2700.00
807000.00 809000.00 811000.00 813000.00 815000.00
9186000.00
9187000.00
9188000.00
9189000.00
9190000.00
9191000.00
9192000.00
9193000.00
9194000.00
9195000.00
807000.00 809000.00 811000.00 813000.00 815000.00
9186000.00
9187000.00
9188000.00
9189000.00
9190000.00
9191000.00
9192000.00
9193000.00
9194000.00
9195000.00

Perkembangan Radar dalam Penginderaan Jauh
Bunga Rampai Penginderaan J auh Indonesia, 2011


23

DAFTAR REFERENSI

Abyoto Kun W. Penerapan Transformasi wavelet untuk reduksi spekel,Ektraksi ciri dan
Segmentasi citra berdasarkan Tekstur. Disertasi Doktor. Institut Teknologi Bandung,
Indonesia, 1998. 168 Hal.
ASPRS. Manual of Remote Sensing 3
rd
edtion, Vol. 2. John Wiley & Sons, Inc., 605 Third
Avenue, New York.1998.
CNES. ERS-1, Landsat , SPOT : Applications a complementary approach. Course material.
BPPT, 1993.
CNES. InSAR : Theory and Applications. Workshop materials, BPPT 8-16 Nov 2000, Jakarta,
2000.
DEOS. Delft Object Oriented Radar Interferometry Software:User manual and Technical
Documentation. Delft University of Technology, Delft 1.2 edition. 1999.
ESA-ESRIN. SAR interferometry orbit listing. 1999
Gens R and Genderen JL van. Analysis the geometric parameters of SAR Interferometry for
space borne systems. In International Archive of Photogrammetry and Remote Sensing
XXXI, part B2, Vienna, pages 107-110, 1996.
Hanssen Ramon and Usai Stefania. Interferometric phase analysis for monitoring slow
deformation processes. In 3
rd
ERS Symp. On space at the service of our Environment,
Florence, Italy, 17-21 March 1997, ESA SP-414, pp. 487-491, 1997.
Hartl P. Sinthetic aperture radar, theory and applications. Faculty of Geodesy-Delft University
of Technology. Lecture note, 1996.
Image Center. Radar Remote Sensing. Course materials. Ontario, Canada, 1996.
Intermap . Radar Theory and systems. Course materials. Intermap Technologies ,Gurdwara
road,suit 200, Nepean. Ontario, Canada, 1996.
Kampes B and Hanssen R. Delft public domain radar interferometry software: preocessing
consideration and futur strategies. EOS transactions AGU, 81(19):S162, May-9, 2000.
Kooij M , Halsema v D , Groenewoud, Mets W, Overgaauw G J, and Visser P. SAR Land
Subsidence Monitoring. B C R S , 1995.
Lillesands and Kiefer. Remote Sensing and Image Interpretation. John Wiley and Son, pp. 422,
1978.
Radarsat. Radarsat : Theory and Applications. Workshop and Seminar, Denpasar Bali, 26 April
4 May 1999, Bali, Indonesia, 1999.
Schreier G, editor. SAR Geocoding:data and systems. Whichmann Verlag. Karlsruhe, 1993.
Solaas,GA. ERS-1 Interferometric baseline algorithm verification. ESA-ESRIN, Proj. Eng.
Department, ERS Mission section. 1994.
The Encyclopedia AMERICANA ,International edition vol. 14, 1968. Library of Congress
catalog number : 68-12554. Copy ight by Encyclopedia Americana Corporation.



I shak Hanafiah I smullah
Bunga Rampai Penginderaan J auh Indonesia, 2011


24

BIOGRAFI PENULIS
I shak Hanafiah I smullah
Prof. Dr. Ir. Ishak Hanafiah Ismullah, DEA lahir pada tanggal 7
Januari 1947 di Yogyakarta. Putra dari pasangan Bapak Ismullah
Adi Putra (Alm.) dan Ibu Iswari ini menjalani masa sekolah
berpindah-pindah di berbagai kota di Indonesia, Sekolah Dasar di
Yogyakarta, Sekolah Menengah Pertama di Palembang, dan
Sekolah Menengah Atas di Mataram. Professor yang juga pecinta
musik dan olahraga ini kemudian melanjutkan pendidikannya ke
ITB sebagai mahasiswa Teknik Elektro pada tahun 1965. Selama
masa kuliah, Beliau juga aktif di berbagai kegiatan mahasiswa seperti Dema ITB,
Resimen Mahasiswa Mahawarman ITB, dan juga Perhimpunan Mahasiswa Bandung.
Setelah menyelesaikan tahap Sarjana Muda pada tahun 1972, atas dasar ketertarikan
yang sangat besar terhadap ilmu-ilmu alam, beliau melanjutkan studinya di Teknik
Geodesi ITB dan memperoleh gelar Insinyur pada tahun 1975. Kemudian, Beliau
melanjutkan kuliah dengan menekuni bidang fotogrametri di ITC Belanda dan juga
mendalami bidang Teledetection di Universite Toulouse III, Prancis hingga tahun
1982. Di negara ini pula Beliau menikahi istrinya, Sri Murni Dwi Judhianty, seorang
sarjana Teknik Mesin UI yang saat itu juga berkuliah di Prancis. Pasangan ini dikarunia
tiga orang anak, yaitu Sarah, Daud, dan Ibrahim. Beliau pun meraih gelar Doktornya
pada tahun 2002 di ITB. Beliau telah mengabdikan hidupnya sebagai dosen di ITB
selama lebih dari 20 tahun, dan resmi mendapatkan gelar Professor pada tahun 2005
dengan bidang keahlian penginderaan jauh khususnya menggunakan Radar (Radio
Detection and Ranging) dan telah menghasilkan banyak sekali penelitian yang ditekuni
bersama kolega-koleganya. Pada awal tahun 2012, Beliau mengakhiri masa tugasnya
sebagai pengajar di ITB.



25

Pengembangan Sistem Penjejak Ikan Nan Cerdas (I ntelligent
Fish Tracker) dengan Pendekatan Integrasi Expert Systems,
Remote Sensing dan GIS Model:
Sebuah Sistem untuk Pengelolaan Sumberdaya Kelautan dan Perikanan




Muhamad Sadly
Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA),
Badan Pengkajian dan Penerapan Teknologi (BPPT)
Gedung II BPPT, lantai 19, Jl. M. H. Thamrin 8, Jakarta 10340
Email:sadly@ceo.bppt.go.id, msadly2000@yahoo.com

Abstrak
Dalam riset ini diusulkan suatu pendekatan baru (new approach) di dalam membangun
model sistem penentuan lokasi keberadaan ikan di laut (Fishing Ground) untuk
peningkatan efektifitas perikanan tangkap ikan pelagis ekonomis. Knowledge-Based
Expert System Model yang diintegrasikan dengan teknologi penginderaan jauh (remote
sensing) dan Sistem Informasi Geografis (SIG) dipilih sebagai pendekatan baru di
dalam upaya memperbaiki metode konvensional yang saat ini masih digunakan.
Kelemahan utama dari metode konvensional adalah, penentuan lokasi penangkapan ikan
masih dilakukan secara manual, akibatnya hasil yang diperoleh juga tidak optimal dan
tidak praktis di dalam implementasinya. Model yang dikembangkan disini dinamakan
Perangkat Lunak SIKBES-IKAN, atau Sistem Penjejak Ikan Nan Cerdas (Intellgent
Fish Tracker). Kegiatan ini direncanakan akan dilakukan dalam 2 (dua) tahapan, yaitu
pada tahapan pertama difokuskan pada studi literatur, pembangunan basis data spasial
kelautan dan perikanan, pengumpulan data penginderaan jauh dan data lapangan, serta
perancangan model prediksi lokasi fishing ground. Pada tahapan kedua, merupakan
implementasi sistem yang difokuskan pada pengembangan model prediksi, pengujian
dan validasi, serta pembangunan sistem informasi fishing ground berbasis website
spasial (online system). Dengan usulan ini, akan diperoleh model prediksi lokasi
keberadaan ikan di laut yang lebih akurat dibanding dengan model konvensional yang
selama ini digunakan. Kegunaan dari hasil riset ini sangat bermanfaat di dalam
memberikan data dan informasi fishing ground yang cepat, akurat, dan mudah untuk
diakses. Sedangkan, kontribusi dari hasil riset ini bagi iptek adalah pengembangan
model SIKBES-IKAN untuk aplikasi dalam pengembangan Sistem Perikanan Tangkap
Terpadu yang mempunyai konsep Maju, Menguntungkan, Sejahtera dan Lestari
berbasis website spasial (online system). Model yang dikembangkan memiliki ciri:
intelligent decision support system, cost minimizing objective function dan bermanfaat
secara ekonomi. Diharapkan sistem ini dapat menyediakan informasi yang tepat guna
mengenai lokasi keberadaan ikan (fishing ground) yang mudah diakses, cepat dan
akurat serta diharapkan bisa membantu meningkatkan pendapatan dan kesejahteraan
masyarakat nelayan khususnya, perekonomian daerah dan devisa negara dari sektor

Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


26

industri perikanan tangkap. SIKBES-IKAN akan diimplementasikan di wilayah perairan
Teluk Tomini, Kabupaten Parigi Moutong, Provinsi Sulawesi Tengah dan perairan Selat
Makassar dan sekitarnya, Provinsi Sulawesi Selatan.
Kata kunci : Knowledge Based Expert System, Fishing Ground, Remote Sensing,
intelligent decision support system

Abstract
In this research proposed a new approach in the development of fishing ground
prediction model in the sea, especially for Economic Pelagic Fish. Knowledge-Based
Expert System is integrated with Remote Sensing and Geographic Information System
(GIS) decided as a new approach in order to improve the existing conventional method.
The main problem of a conventional method is the estimation of fishing ground using
manual system and the result obtained is not optimal and impractical in its
implementation. Model developed called SIKBES-IKAN or Intelligent Fish Tracker.
SIKBES-IKAN is an integrated software consisting of Knowledge-Based Expert
System/KBES, Remote Sensing and Geographic Information System (GIS). It is used to
provide strategic data and information on highly potential fishing ground location
while maintaining balance to prevent overfishing. SIKBES-IKAN can be used for
government and private agencies that manage and plan the sea resources in Indonesia.
These activities consist of two phases, i.e. in the 1
st
phase are focused on literature
review, the development of marine and fishery spatial database, remote sensing and in-
situ data collection, and design of fishing ground prediction model. In the 2
nd
phase are
focused on the development, testing and validation of fishing ground prediction model.
Finally, building the fishing ground information system website spatial base (online
system). SIKBES-IKAN can provide the fishing ground prediction more accurate than
conventional method. Also, SIKBES-IKAN is capable of providing technology solutions
to address these issues in the conventional method. SIKBES-IKAN having the concept:
advanced, profitable, prosperity and sustainable in website spatial base (online
system). Model developed is indicated by the characteristics as intelligent decision
support system, cost minimizing objective function and economic beneficial.
Furthermore, this system can provide appropriate information of fishing ground easily
accessible, fast and accurate and also this model can help the fishermen to increase
their income, local economic, country foreign exchange from fishery industry sector.
The model will installed and implemented in several regions in Indonesia, for example
in the waters of the Gulf of Tomini Parigi Moutong District, Central Sulawesi Province
and the waters of Makassar Straits and surrounding, South Sulawesi.
Keywords : Knowledge Based Expert System, Fishing Ground, Remote Sensing,
intelligent decision support system



Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

27

1. LATAR BELAKANG
Sistem Informasi Knowledge-Based Expert System Fishing Ground (SIKBES-FG)
merupakan aplikasi database yang dibangun oleh Pusat Teknologi Inventarisasi
Sumberdaya Alam (PTISDA), Badan Pengkajian dan Penerapan Teknologi (BPPT)
sebagai bagian dari upaya menginplementasikan hasil kajian-kajian teknolgi khususnya
di sektor perikanan dan kelautan. Aplikasi ini disusun dengan menggunakan suatu
pendekatan baru (new approach) di dalam membangun model sistem penentuan lokasi
keberadaan ikan di laut (Fishing Ground) untuk peningkatan efektifitas perikanan
tangkap ikan pelagis ekonomis. Knowledge-Based Expert System Model yang
diintegrasikan dengan teknologi penginderaan jauh (remote sensing) dan Sistem
Informasi Geografis (SIG) beserta perhitungan nilai ekonominya dipilih sebagai
pendekatan baru di dalam upaya memperbaiki metode konvensional yang saat ini masih
digunakan. Kelemahan utama dari metode konvensional adalah, penentuan lokasi
penangkapan ikan masih dilakukan secara manual, akibatnya hasil yang diperoleh juga
tidak optimal dan tidak praktis di dalam implementasinya. Lebih lanjut, model yang
dikembangkan di sini mengintegrasikan fishing ground dengan parameter sumberdaya
perikanan tangkap (sosial, ekonomi dan valuasinya) sehingga dapat membantu
pengguna/user didalam menyusun perencanaan strategis di bidang kelautan dan
perikanan. Model yang dikembangkan disini dinamakan SIKBES-IKAN atau disebut
juga Sistem Penjejak Ikan nan cerdas (Intelligent Fish Tracker)
Kegiatan ini difokuskan pada: (a). Kajian Regional kondisi lingkungan perairan, Kajian
kondisi fisik oseanografi (in situ); Kajian remote sensing; Kajian tingkah laku dan
dinamika populasi ikan pelagis ekonomis penting. (b). Kajian Lokal (wilayah perairan
Teluk Tomini); Kajian Knowledge-based model; Kajian ekonomi dan analisis dampak.
Kegiatan diseminasi, berupa sosialisasi hasil akan dilakukan dalam forum seminar,
workshop, pelatihan.
Dalam penyusunan sistem informasi ini terdapat empat komponen utama yang berperan
sangat besar, yaitu Sumber Perangkat Keras (hardware), meliputi segala bentuk fisik,
peralatan dan benda yang digunakan dalam memproses informasi. Hal tersebut tidak
melibatkan mesin saja tetapi juga melibatkan data media seperti magnetic disk :
Sumber Perangkat Lunak (software), meliputi segala informasi dan instruksi.
Perangkat lunak tidak hanya dalam menginstruksi operasi disebut program tetapi ada
juga yang berbentuk prosedur ; Manusia, dibutuhkan untuk menjalankan dalam
mengoperasikan semua Sistem Informasi. Manusia yang dimaksud adalah spesialis dan
orang pengguna komputer ; Data Informasi, merupakan sesuatu yang berharga di
dalam sumber pengorganisasian. Data dan Informasi disimpan data bases, model bases
dan knowledge base dan dianggap sebagai bagian dari sumber data atau sumber
informasi di dalam organisasi.
Di akhir penyusunan diharapkan sistem ini dapat penyediaan informasi yang tepat guna
mengenai daerah penangkapan ikan (fishing ground) yang mudah diakses, cepat dan
akurat; informasi mengenai potensi lestari perikanan, kondisi lingkungan dan habitat
ikan suatu perairan untuk menghidari ekploitasi sumberdaya ikan yang berlebih
(overfisihing) agar bisa membantu untuk meningkatkan efisiensi, efektifitas, dan

Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


28

selektivitas dalam Operasi Penangkapan Ikan (OPI) untuk ikan pelagis penting baik
skala lokal maupun regional.
2. TUJUAN
Tujuan utama pembangunan Sistem Informasi Perikanan Tangkap Terpadu Berbasis
Knowledge-Based Expert System (SIKBES-IKAN) ini adalah :
- Membangun dan mengembangkan basis data spasial beserta valuasi ekonomi
terhadap mengenai karakteristik, sifat fisik perairan, zat hara dan habitat ikan
pelagis penting baik yang terdapat dalam suatu perairan lokal maupun perairan
skala regional.
- Membangun dan mengembangkan Knowledge-Based Expert System Model yang
diintegrasikan dengan sistem informasi geografis (GIS) menggunakan data
penginderaan jauh (remote sensing) untuk prediksi lokasi penangkapan ikan.
- Menyediakan informasi yang tepat guna melalui jaringan website mengenai daerah
penangkapan ikan (fishing ground) yang mudah diakses, cepat dan akurat dan near
realtime.
- Menyediakan informasi estimasi ekonomi pengelolaan sumberdaya perikanan
berdasarkan potensi lestari perikanan, kondisi lingkungan dan habitat ikan di suatu
perairan.
- Memberikan masukan untuk rekayasa operasional teknis dan kelembagaan dalam
mengoptimalkan pengelolaan sumberdaya alam khususya sektor kelautan dan
perikanan.
3. KEUNGGULAN SIKBES-IKAN
Keunggulan utama dari software SIKBES-IKAN adalah mampu memberikan solusi
teknologi untuk mengatasi permasalahan-permasalahan pada metode konvensional
(yang merupakan salah satu peran BPPT). Keunikan Software SIKBES-IKAN
ditunjukkan dengan ciri-ciri sebagai sistim pendukung keputusan secara cerdas
(intelligenct decision support system), fungsi obyektif meminimumkan biaya (cost
minimizing objective function), bermanfaat secara ekonomi, serta mempunyai konsep
Maju, Menguntungkan, Sejahtera dan Lestari. Lebih lanjut, Prediksi tidak sepenuhnya
tergantung pada pengalaman dan pengetahuan operator. Dapat membantu
pengguna/user dalam menyusun perencanaan strategis di bidang kelautan dan
perikanan. Dapat memberikan data dan informasi fishing ground yang cepat, akurat,
dan relatif mudah untuk diakses. SIKBES-IKAN dapat digunakan untuk Pemerintah dan
instansi swasta dalam mengelola dan menyusun rencana strategis sumberdaya kelautan
di Indonesia. Potensi aplikasi SIKBES-IKAN sebagai sumber informasi strategis daerah
penangkapan ikan di Indonesia yang memperhatikan kelestarian lingkungan dan
optimasi hasil tangkap, bisa digunakan di instansi pemerintah untuk pengelolaan
penangkapan ikan bagi industri.


Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

29

4. PEMBANGUNAN SISTEM SIKBES-IKAN: DESKRIPSI DAN
METODOLOGI
4.1. Deskripsi
Perangkat lunak SI KBES-I KAN dibangun dalam rangka memindahkan kearifan dan
pengetahuan tentang kelautan dan perikanan yg diwarisi secara turun-temurun menjadi
pengetahuan teknis untuk prediksi yang lebih akurat keadaan perikanan guna
memastikan kelestarian dan optimasi pemanfaatan sumberdaya laut di Indonesia.
Pada tahun 2008, perangkat lunak SIKBES-IKAN sudah dilindungi UU Hak Cipta dari
Ditjen. HKI, Departemen Hukum dan HAM RI. Selanjutnya dalam rangka
implementasi dan komersialisasi aplikasi sistem ini lebih lanjut, BPPT telah melakukan
sosialisasi ke institusi kelautan dan perikanan, industri perikanan serta pemerintah
daerah di Indonesia.
Perangkat lunak SIKBES-IKAN memungkinkan menjawab pertanyaan-pertanyaan dari
pengguna (user) dalam kerangka membantu menyusun perencanaan strategis dibidang
kelautan dan perikanan berdasarkan data fishing ground (FG) yang diperoleh melalui
sistem ini, adalah sebagai berikut:
Dimana posisi Fishing Ground (FG) yang terdeteksi?
Berapa jarak dari pos pendaratan ikan ke titik FG ?
Jenis armada / kapal (tonase) apa yang layak digunakan ?
Berapa lama waktu tempuh dan arah dari pos pendaratan ikan ke titik FG ?
Jenis alat tangkap apa yang layak digunakan ?
Prasarana penunjang apa yang harus dlengkapi ?
Jenis ikan apa yang kemungkinan menjadi target tangkapan ?
Berapa besar modal yang harus dikeluarkan ?
Berapa besar biaya operasional yang harus dikeluarkan ?
Berapa besar produksi tangkapan yang akan dihasilkan ?
Berapa kemungkinan keuntungan yang akan diperoleh ?
Kombinasi mana yang paling menguntungkan untuk dilakukan penangkapan ?
Berapa besar bagi hasil keuntungan untuk setiap kelompok orang yang terlibat ?
Kearah mana kemungkinan titk FG akan bergerak ?

4.2. Metodologi
Metodologi yang akan dijabarkan berikut ini disusun secara hierarki disusun
sedemikian rupa agar didapatkan hasil kajian yang komprehensif, sistematik dari hulu
yang berisi mengenai pengembangan metode baru dalam prediksi lokasi penangkapan
ikan (fishing ground) dengan teknologi penginderaan jauh (remote sensing) hingga ke
hilir yang berisi implementasi metode baru tersebut dalam penentuan fishing ground
jenis ikan pelagis ekonomis sampai pada pembangunan perangkat lunak Sistem
Informasi Perikanan Tangkap Terpadu (SIKBES-IKAN) berbasis expert system yang
mana mengintegrasikan lokasi penangkapan ikan (fishing ground) dengan parameter
sumberdaya perikanan tangkap (sosial, ekonomi dan valuasinya) sehingga dapat
membantu pengguna/user dalam menyusun perencanaan strategis di bidang kelautan

Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


30

dan perikanan yang bercirikan: intelligenct decision support system, cost minimizing
objective function dan bermanfaat secara ekonomi.

(1). Pengembangan Model Integrasi Knowledge-Based Expert System-Remote
Sensing-GIS
Pada Gambar 1 diperlihatkan integrasi antara Sistem Pakar (expert system), Sistem
Informasi Geografis (SIG) dan penginderaan jauh (remote sensing), yang merupakan
konsep dasar yang diguanakan dalam pembangunan model. Sistem integrasi di sini
merupakan metode baru yang digunakan dalam memetakan fishing ground dan valuasi
ekonominya dan dirancang untuk menjawab 3 (tiga) pertanyaan yang biasa dijumpai di
dalam studi ilmu kebumian. Komponen GIS & RS difasilitasi untuk menjawab
pertanyaan pertanyaan What dan Where, yaitu RS & GIS database dan spatial
analysis. Komponen Expert System disusun dengan 2 (dua) modul utama, yaitu :
Knowledge-Base dan inference engine yang difasilitasi untuk menjawab pertanyaan
Why. Basis pengetahuan (knowledge base) dari sebuah expert system dibangun
berdasarkan hasil dari pengambilan pengetahuan (knowledge acquisition) di dalam
bentuk production rules. Inference engine dalah sebuah alat pemroses pengetahuan
(knowledge processing tool) pada komponen expert system (sistem pakar). Tugas
utamanya adalah menggabungkan fakta-fakta (facts) dengan aturan-aturan (rules) untuk
mengembangkan atau untuk menyimpulkan atau untuk menggambarkan kesimpulan
tentang fakta-fakta baru.















Gambar 1. Sistem Integrasi Expert System, GIS dan Remote Sensing yang
digunakan dalam membangun SIKBES-IKAN

Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

31

(2). Lokasi Studi dan Akuisisi Data
Daerah penelitian terletak di daerah pesisir Teluk Tomini, Sulawesi Tengah dan
Sulawesi Selatan (Gambar 2). Sebagai data input, kita menggunakan Suhu Permukaan
Laut (SST), Laut Permukaan Klorofil-a (SSC) dan data Kekeruhan berasal dari data
satelit MODIS NASA. Sedangkan untuk memverifikasi hasil Perikanan Ground Model
Prediksi, kami mengumpulkan data in-situ dari titik penangkapan ikan di kedua daerah,
dan analisis statistik sederhana digunakan untuk memahami persentase akurasinya.
















Gambar 2. Lokasi Kegiatan Implementasi SIKBES-IKAN

(3). Perancangan Ontology Knowledge-Based Expert System Untuk Prediksi Lokasi
Keberadaan Ikan (Fishing Ground Prediction)
Proses penentuan lokasi potensial keberadaan ikan (fishing ground) selanjutnya melalui
para ahli/pakar (experts) disusun basis pengetahuan (knowledge base) tentang hubungan
antara parameter-parameter yg mempengaruhi penentuan lokasi keberadaan ikan. Pada
Gambar 2 diperlihatkan alur sistem yang digunakan di dalam membangun SIKBES-
IKAN. Dalam penelitian ini, kami menggunakan 3 (tiga) parameter oseanografi (SST,
Klorofil-a Kekeruhan, dan) sebagai input data Pengetahuan Berbasis Sistem Pakar
(Knowledge Based Expert System/KBES) untuk menentukan lokasi potensial
penangkapan ikan. Parameter ini kemudian juga diproses untuk menyelidiki dan
mengidentifikasi fenomena oseanografi (upwelling, front, dan eddy) di daerah studi
yang diduga memiliki korelasi kuat dengan lokasi potensial penangkapan ikan. Dalam
penerapan KBES menggunakan data harian dari SST, Chl-a, dan Kekeruhan (turbidity)
sebagai variabel input untuk menghasilkan informasi sehari-hari pembentukan daerah
potensial penangkapan ikan. Proses perumusan hubungan antar parameter (ontologi)
dalam rangka menghasilkan lokasi potensial keberadaan ikan (fishing tground)
diperlihatkan pada Gambar 3.
Dari Gambar 3, diperlihatkan alur sistem SIKBES-IKAN, dimanan hubungan antar
parameter (Chl, SST, Turbidity) serta arus laut untuk memprediksi pergerakan ikan,

Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


32

yang akhirnya melakkan prediksi lokasi keberadaan ikan. Disamping prediksi FG, maka
sistem SIKBSE-IKAN juga dirancang untuk membantu pengambil keputusan (decision
makers) didalam membuat perencanaan strategis bidang kelautan dan perikan di
wilayahnya serta bagaimana menghitung nilai ekonomi yang didapat nelayan dalam
bentuk rekomendasi. Hasil dari rumusan ontology ini, selanjutnya diturunkan menjadi
aturan-aturan (rules) yang digunakan didalam membangun model prediksi FG. Aturan-
aturan (heuristic rules) diturunkan dari knowledge base sistem perikanan tangkap yang
merupakan hubungan antar parameter-parameter oseanografi dan fenomenanya dalam
rangka mendapatkan lokasi potensial keberadaan ikan.



Gambar 3. Alur Sistem SIKBES-IKAN

(4). Konsep Model prediksi untuk Fishing Ground (A proposed cyclical modeling
approach)
Konsep pemodelan yang digunakan dalam penelitian ini dengan pendekatan Knowledge
based expert system yang diintegrasi dengan GIS dan data penginderaan jauh
didasarkan pada pendekatan model yang bersiklus (seperti yang diilustrasikan pada
Gambar 3). Model ini terdiri dari tiga (3) tahap, seperti yang dijelaskan di bawah ini:
(a). Tahap Pengamatan: untuk menentukan karakteristik perilaku ikan, kondisi fisik laut
dan menggunakan metode pengenalan pola daerah penangkapan ikan dan yang bukan
daerah penangkapan ikan; (b). Analisis dan interpretasi data (SST, Chl-a, dan turbidity);
PREDIKSI PERGERAKAN

Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

33

(c). Pemodelan dan tahap pengujian/verifikasi : pengujian dan validasi menggunakan
data in-situ untuk prediksi daerah penangkapan ikan (fishing ground)

Gambar 4. Konsep Model Prediksi Fishing Ground (A proposed cyclical modeling
approach)
Dari model ini, kita akan memahami bahwa terbukti dari kinerja model akan tergantung
pada data umpan balik (feedback) dari pengamatan lapangan dan basis pengetahuan
sistem pakar (knowledge base) dalam penyelidikan lebih lanjut yang dapat dilakukan
dan disesuaikan dengan prediksi yang lebih akurat daerah penangkapan yang ada dan
fenomena oseanografi. Aturan-aturan (heuristic rules) dalm bentuk IF-THEN Rule
diformulasikan berdasarkan knowledge base yang telah disusun oleh para pakar
(experts) untuk memprediksi lokasi keberadaan ikan (fishing ground). Aturan-aturanj
(Heuristic Rules) yang telah diformulasikan ditunjukkan pada Tabel 1.
Tabel 1. Heuristic Rules yang digunakan dalam Prediksi Fishing Ground

Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


34

5. HASIL DAN PEMBAHASAN
Beberapa hasil yang diperoleh dalam pengembangan Sistem Penjejak Ikan Nan Cerdas
(intelligent fish tracker) untuk mendukung program Ketahanan Pangan Nasional di
Bidang Kelautan dan Perikanan antara lain: Perangkat Lunak SIKBES-IKAN: model
integrasi antara Expert system dengan penginderaan jauh dan Sistem Informasi
Geografis (GIS) untuk prediksi lokasi keberadaan ikan (fishing ground) yang sangat
bermanfaat di dalam memberikan data dan informasi fishing ground yang cepat, akurat,
dan mudah untuk diakses, yang dapat dipergunakan untuk membantu nelayan dalam
melakukan operasi penangkapan ikan agar menjadi efektif dan tepat sasaran; Basis data
spasial sumberdaya perikanan; Peta lokasi keberadaan ikan (fishing ground map);
Model valuasi ekonomi sumberdaya perikanan tangkap.
Pada Gambar 5. di ilustrasikan peta lokasi keberadaan ikan (fishing ground map) di
wilayah pesisir Teluk Tomini (Sulawesi Tengah) dengan menggunakan KBES-GS-RS
FG model yang terpaket dalam sistem SIKBES-IKAN. Dengan menerapkan perangkat
lunak SIKBES-IKAN, maka sebagai masukan digunakan 3 parameter, yaitu: suhu
permukaan laut (SST), Konsentrasi klorofil (chl) dan Turbidity. Sistem SIKBES-IKAN
akan melakukan proses dan analisa, sampai menghasilkan fishing ground map. Hasil
pada Gambar 5 menunjukkan bahwa peta daerah penangkapan ikan yang dihasilkan
dari model dapat dibagi menjadi dua (2) kategori. Kategori pertama adalah FG daerah
potensial yang ditandai dengan titik warna merah, dan kategori kedua adalah wilayah
semi FG potensial ditandai dengan titik berwarna hijau. Sementara titik-titik warna
hitam merupakan daerah non FG. Peta lokasi keberadaan ikan (FG map) beserta titik
koordinatnya selanjutnya diinformasikan kepada Nelayan. FG map ini sangat penting di
dalam memberikan panduan kepada para nelayan untuk menuju lokasi penangkapan
ikan dan dengan panduan ini, Nelayan bisa menangkap ikan lebih efektif dan yang lebih
penting lagi nelayan dapat menghemat penggunaan bahan bakar kapalnya.
Sistem SIKBES-IKAN diterapkan dan dijalankan dengan mempertimbangkan informasi
lingkungan laut diidentifikasi oleh tiga (3 parameter SST harian, kekeruhan Klorofil-a,)
sebagai data input. Setiap hari dan hasil variabilitas model dalam menghasilkan
diperkirakan luas daerah potensial penangkapan yang akurat tergantung pada cakupan
awan serta situasi meteorologi. Hasil penelitian juga menunjukkan bahwa daerah
potensial penangkapan ikan sebagian besar terkonsentrasi di perbatasan dekat (depan)
dari tingkat konsentrasi tinggi rendahnya klorofil-a. Pada Gambar 6 diperlihatkan hasil
analisisi statistik (data keluaran dan data lapangan/in-situ) unjuk kerja dari model yang
dikembangkan. Untuk memahami tingkat akurasi dari model ini, dengan
membandingkan hasil harian model (output model)dan data observasi lapangan harian
daerah penangkapan ikan dalam waktu yang sama dari perolehan data dan observasi.
Hasil yang ditunjukkan dalam Gambar 6, menunjukkan bahwa persentase rata-rata
tingkat akurasi hasil model di kedua wilayah di daerah pesisir Teluk Tomini, Sulawesi
Tengah dan Sulawesi Selatan relatif tinggi dengan tingkat akurasi 86%. Sedangkan
hasil harian model prediksi di wilayah pesisir Teluk Tomini, Sulawesi Tengah dalam
kisaran 68% sampai 95%.


Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

35

Chlorophyll map Tomini bay
Knowledge Base Engineer + GIS Knowledge Base Engineer + GIS
(KB Expert Systems GIS) (KB Expert Systems GIS)
Map of Potential Map of Potential
Fishing Ground Fishing Ground
Turbidity map Tomini bay
Sea Surface map Tomini bay
Chlorophyll map Tomini bay
Knowledge Base Engineer + GIS Knowledge Base Engineer + GIS
(KB Expert Systems GIS) (KB Expert Systems GIS)
Map of Potential Map of Potential
Fishing Ground Fishing Ground
Turbidity map Tomini bay
Sea Surface map Tomini bay

Gambar 5. FG peta yang dihasilkan oleh SIKBES-IKAN di perairan Teluk Tomini,
Sulawesi Tengah

Sebagaimana disebutkan di atas, variabilitas tingkat akurasi hasil prediksi model tanah
potensial penangkapan ikan tampaknya harus kuat berkorespondensi dengan tingkat
penutupan awan di mana di daerah tropis menjadi masalah. Untuk menghilangkan dan
meningkatkan tingkat akurasi dalam akuisisi data satelit, pengembangan proses teknis
dari satelit data untuk daerah tropis direkomendasikan.


Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


36

Gambar 6. Hasil analisis statistik sederhana antar model dan data lapangan dari daaerah
penangkapan ikan

6. KESIMPULAN
Indonesia adalah negara maritim yang memiliki sumberdaya kelautan sangat besar,
terutama potensi perikanan. Pengelolaan penangkapan ikan laut yang baik dan
seimbang memerlukan informasi potensi sumberdaya ikan laut yang baik dan akurat.
PTISDA BPPT telah berhasil membangun suatu model prediksi lokasi keberadaan ikan
beserta valuasi ekonominya dengan sukses dan unjuk kerja yang tinggi. Model ini
merupakan suatu terobosan baru, yaitu membangun model prediksi lokasi keberadaan
ikan (fishing ground) di laut jenis ikan pelagis ekonomis menggunakan pendekatan
integrasi antara metode sistem pakar (Knowledge-Based Expert System/KBES),
Penginderaan Jauh (Remote Sensing), Sistem Informasi Geografis (Geographic
Information System/GIS) dan teknik valuasi ekonomi yang mampu menyediakan
informasi estimasi ekonomi pengelolaan sumberdaya perikanan berdasarkan potensi
lestari perikanan, kondisi lingkungan dan habitat ikan di suatu perairan. Model yang
dikembangkan ini dinamakan perangkat lunak SIKBES-IKAN, atau sang penjejak
ikan nan cerdas (intelligent fish tracker).
Sistem yang dibangun mampu memindahkan kearifan dan pengetahuan tentang
kelautan dan perikanan yang diwarisi secara turun-menurun menjadi pengetahuan
teknis untuk prediksi yang lebih akurat keadaan perikanan guna memastikan kelestarian
dan optimasi pemanfaatan sumberdaya laut di Indonesia, bukan hanya berdasarkan
pengalaman atau intuisi perorangan saja. Mulai pada tahun 2009 hingga saat ini,
software SIKBES-IKAN telah di implementasikan di beberapa wilayah di Indonesia,
misalnya di perairan teluk Tomini kabuapaten Parigi Moutong, Provinsi Sulawesi

Pengembangan Sistem Penjejak Ikan Nan Cerdas (Intelligent Fish Tracker) dengan
Pendekatan Integrasi Expert Systems, Remote Sensing dan GIS Model
Bunga Rampai Penginderaan J auh Indonesia, 2011

37

Tengah. Sistem ini dapat menyediaan informasi yang tepat guna mengenai daerah
penangkapan ikan (fishing ground) yang mudah diakses, cepat dan akurat; informasi
mengenai potensi lestari perikanan, kondisi lingkungan dan habitat ikan suatu perairan
untuk menghidari ekploitasi sumberdaya ikan yang berlebih (overfisihing) agar bisa
membantu untuk meningkatkan efisiensi, efektifitas, dan selektivitas dalam Operasi
Penangkapan Ikan (OPI) untuk ikan pelagis penting baik skala lokal maupun regional.

DAFTAR REFERENSI
Atkinson, P. M. and A. R. L. Tatnall. 1997. Neural networks in remote sensing. Int. J. Remote
Sensing. Vol. 18, No. 4.
Hendiarti, N., Siegel, H., Ohde, T., 2004. Investigation of different coastal processes in
Indonesian waters using SeaWiFS data. Deep Sea Research Part II 51 : 85-97.
Ignizio, J.P. Introduction to Expert Systems: the development and implementation of rule-based
expert system. NewYork: McGraw-Hill, Inc.
James C. Hendee. 1998. An Expert System for Marine Environmental Monitoring in the Florida
Keys national Marine Sanctuary and Florida Bay. Proceedings of the Second International
Conference on Environmental Coastal Regions, ed. C.A. Brebbia. Computational
Mechanics ublications/WIT Press. Southampton, pp. 57-66.
Kemmerer, A.J. 1980. Environmental preferences and behavior patterns of Gulf menhaden
(Brevoortia patronus) inferred from fishing and remotely sensed data. ICLARM Conf.
Proc., (5):34570.
Laurs, R.M. et al. 1984. Albacore tuna catch distributions relative to environmental features
observed from satellites. Deep-Sea Res., 31(9):108599.
Mockler, R.J. & Dologite, D.G. 1992. Knowledge-Based Systems. An Introduction to Expert
Systems. Macmillan Publishing, New York.
Poul Degnbol. 2004. The Knowledge base for fisheries management in developing countries:
alternative approaches and methods. Institute for Fisheries Management and Coastal
Community Development. Bergen Norway Published.
Sadly, Muhamad. 2005. Assessment and Applicfations of the Knowledge-based Expert System in
Natural Resources Management. Technical Report P-TISDA, BPPT.
Sadly, Muhamad., N. Hendiarti, S.I. Sachoemar, Y. Faisal. 2009. Fishing Ground Prediction
Using a Knowledge-Based Expert System Geographical Information System Model in the
South and Central Sulawesi Coastal Waters of Indonesia. International Journal of Remote
Sensing (IJRS), Vol. 30, Nos.23-24, 20 December 2009, 6429-6440, Tailor & Francis
(ISSN:0143-1161).
Venegas, R., P.T. Strub, E. Beier, Letelier, T. Cowles, and A.C. Thomas. 2007. Assessing
satellite-derived variability in chlorophyll pigments, wind stress, sea surface height, and
temperature in the northern California Current System. J. Geophys. Res. In Press.




Muhamad Sadly
Bunga Rampai Penginderaan J auh Indonesia, 2011


38

BIOGRAFI PENULIS
Dr. I r. Muhamad Sadly, M.Eng.
Dr. Muhamad Sadly lahir di Makassar (Sulawesi Selatan) pada
14 Desember 1963. Menamatkan SD, SMP dan SMA di Kota
Makassar. Pendidikan Tinggi diawali di Universitas Indonesia
Jurusan Teknik Elektro dan meraih gelar Insinyur UI tahun
1988. Meraih Master of Engineering (M.Eng.) dari Department
of Information and Computer Sciences, Faculty of Engineering,
Chiba University, Japan pada Tahun 1996 dengan riset
pengembangan algoritma/model untuk aplikasi bidang
penginderaan jauh terkait dengan pengelolaan SDA.
Memperoleh gelar Doktor (Doctor of Philosophy) pada tahun
2000 dari Department of Information & Computer Engineering,
Graduate School of Science and Technology, Chiba University, Japan. Pada Bulan
Maret 1989 diterima bekerja di Direktorat Inventarisasi Sumberdaya Alam (sekarang
Pusat Teknologi Inventarisasi Sumberdaya Alam/PTSDA), Badan Pengkajian dan
Penerapan Teknologi (BPPT) dan sampai sekarang masih tetap bekerja di PTISDA
BPPT. Pada Tahun 2004-2009 penulis menjabat sebagai Kepala Bidang Teknologi
Pemodelan Sistem SDA pada Pusat Teknologi Inventarisasi SDA (PTISDA), BPPT.
Kemudian, pada tanggal 7 Agustus 2009, dilantik sebagai Direktur Pusat Teknologi
Inventarisasi Sumberdaya Alam (PTISDA), BPPT. Penulis juga aktif pada beberapa
organisasi profesi, baik skala nasional maupun skala internasional. Berbagai jejaring
kerjasama luar negeri (International Networking) bidang R & D dalam Penginderaan
jauh telah dibangun, diantaranya dengan Jepang, Belgy, U.S.A, dan Taiwan. Puluhan
karya ilmiah telah di publikasikan, baik pada publikasi skala nasional maupun pada
skala internasional. Penghargaan yang ia peroleh, antara lain: Piagam Satya Karya
Satya X dan XX Tahun 1999 dan 2009; Sebagai Peneliti Utama (PU) pada Riset
Unggulan Strategis Nasional (RUSNAS) Bidang Kelautan untuk Mendukung
Kemandirian Agribisnis Budidaya Perikanan, dengan tema riset Aplikasi Penginderaan
Jauh Untuk Identifikasi Ekosistem Terumbu Karang Dan Kesuburan Perairan di
Kepulauan Bangka (2000-2001); Riset Unggulan Terpadu IX (RUT-IX), Bidang
Informasi dan Mikroelektronika tentang Perancangan Stasiun Bumi Penerima Data
Satelit NOAA-AVHRR Dan Aplikasinya di Indonesia (2002-2003). Sebagai Peneliti
Utama Program Insentif Ristek (2007); Piagam Tanda Kehormatan dari Presiden RI
SATYALANCANA WIRA KARYA Tahun 2008; Masuk dalam 101 Indonesia
Innovations pada tahun 2009, Salah satu Inventor dan pemegang hak cipta (copyright)
Perangkat Lunak SIKBES-IKAN.
39

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-
Omi




Tuti Budiwati dan Wiwiek Setyawati
Pusat Pemanfaatan Sains Atmosfer Dan Iklim-LAPAN
Jl. Dr. Djundjunan 133, Bandung
*Tel/Fax: 022-6037445/022-6037443; e-mail: tuti_lapan@yahoo.com

Abstrak
Aerosol adalah partikel padatan atau cair yang tersuspensi dalam udara. Aerosol
terbentuk dari emisi primer dan sekunder hasil reaksi gas-gas. Sedangkan O
3
terbentuk
dari hasil reaksi kimia gas-gas di troposfer dan reaksi radiasi matahari terhadap molekul
oksigen di stratosfer. Oksidasi O
3
terhadap gas NO
2
dan SO
2
akan menghasilkan
aerosol sekunder. Keberadaan keduanya di atmosfer dapat mempengaruhi budget
radiasi matahari yang mempengaruhi iklim, deposisi asam, dan visibilitas atmosfer.
Dengan menggunakan data aerosol dalam Aerosol Optical Depth (AOD) pada panjang
gelombang 483,5 nm dan total O
3
dari satelit Aura-NASA sensor OMI (The Ozone
Monitoring Instrument) dari Oktober 2004 sampai Desember 2008 akan dilihat
variabilitas musimannya. Hasil analisis AOD
(483,5 nm)
terluas terdapat di wilayah Jawa
Barat dengan kisaran 1,662-2,193 pada musim DJF (Desember-Februari) dan terendah
dengan kisaran 0,599-1,131 pada musim JJA (Juni-Agustus). Sedangkan total O
3
terluas
tetinggi pada kisaran 255,33-258,56 DU (Dobson Unit) pada musim SON (September-
November) dan terendah pada kisaran 245,67-248,89 DU (Dobson Unit) pada musim
DJF (Desember-Februari) di seluruh Jawa. Hasil analisis di Jawa memperlihatkan
adanya perbedaan yang sangat jelas antara musim kering dan basah untuk total O
3
yaitu
maksimum pada musim peralihan kering ke basah pada bulan-bulan SON. Sebaliknya
aerosol tinggi pada bulan-bulan basah DJF.
Kata kunci: Aerosol, Aerosol Optical Depth (AOD), AURA-OMI, O
3
, musim


Abstract
Aerosol is solid and liquid suspended in the air. Aerosols are produced by primary and
secondary emissions as a product of gas reactions. In the other hand, Ozone is
produced by gaseous chemical reactions in the troposphere and by the action of solar
radiation on oxygen molecules in the stratosphere. Ozone will oxidize gaseous NO
2
and
SO
2
to give secondary aerosol. Their existence in the atmosphere will influence solar
radiation budget that lead to climate, acid deposition and atmospheric visibility effects.
Aerosol data in form of Aerosol Optical Depth (AOD) with wavelength of 483.5 nm and
Ozone total column from satellite AURA-NASA sensor OMI (The Ozone Monitoring
Instrument) from October 2004 to December 2008 were used to analyze seasonal

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


40

variability. The largest area covered and the highest value of AOD
(483,5 nm)
was found in
West Java with values of 1.662-2.193 during DJF (December to February) and the
lowest was within values of 0.599-1.131 during JJA (June to August). The largest and
the highest ozone total column was found within values of 255.33-258.56 DU (Dobson
unit) during SON (September to November) and the lowest was within values of 245.67-
248.89 DU (Dobson unit) during DJF (December to February) in all regions of Java.
Analysis result in Java showed clear differences between wet and dry seasons for
ozone total column i.e. maximum during dry to wet transformation season in SON
(September to November). On the contrary, aerosol was high during wet season.
Keywords: Aerosol, Aerosol Optical Depth (AOD), AURA-OMI, Ozone, season

1. PENDAHULUAN
Aerosol adalah partikel padatan atau cair yang tersuspensi dalam udara. Aerosol
terbentuk dari emisi primer dan sekunder hasil reaksi gas-gas. Emisi SO
2
dari
pembakaran batubara yang meningkat akhir-akhir ini merupakan hal yang perlu
diperhatikan, mengingat dampaknya terhadap terjadinya hujan asam setelah dikonversi
menjadi aerosol sulfat. Oksidasi O
3
terhadap gas NO
2
dan SO
2
akan menghasilkan
aerosol sekunder yaitu aerosol nitrat dan sulfat. Aerosol sebagai media untuk reaksi-
reaksi kimia yaitu kimia yang heterogen, yang paling penting dari reaksi ini
menyebabkan pengrusakan ozon stratosfer. Selama musim dingin di daerah kutub,
aerosol tumbuh membentuk Polar Stratospheric Clouds (PSCs) yaitu awan-awan
stratosfer. Area permukaan yang luas dari partikel-partikel awan menyediakan tempat
untuk reaksi kimia dan selanjutnya membentuk chlorine yang reaktif dan merusak ozon
di stratosfer. Fakta-fakta pengrusakan ozon stratosfer terjadi sesudah letusan gunung
berapi yang besar seperti gunung Pinatubo pada 1991 (NASA (ASD) Homepage, 2010).
Beberapa observasi menjelaskan bahwa tahun 1991, letusan gunung Pinatubo
(Philipina) menyebabkan penipisan lapisan ozon naik 20% pada musim semi berikutnya
(Solomon et al., 1993).
Dampak letusan gunung berapi akan berpengaruh pada penyebaran aerosol ke stratosfer
dan juga terhadap kimia atmosfer dan transfer radiasi matahari. Letusan gunung berapi,
selain memberikan kontribusi aerosol ke stratosfer, juga melepaskan SO
2
dan
selanjutnya akan membentuk partikel sulfat. Sulfat partikel yang terdapat dalam aerosol
maupun hasil pembentukan dari gas SO
2
diyakini sebagai tempat nukleisasi awan-awan
stratosfer (Iwasaka et al., 1994). Proses heterogen yang meliputi awan-awan stratosfer
di kutub mempunyai peranan dalam pengrusakan ozon di daerah stratosfer kutub, jika
awan-awan stratosfer kutub (Polar Stratospheric Clouds /PSCs) diuraikan dan senyawa
clorin (chlorine) bereaksi dengan permukaan PSCs (Solomon, 1989). Terakhir
dikesankan bahwa kemungkinan partikel sulfat dapat diuraikan di stratosfer dan
mengubah chlorine yang inert (tidak bereaksi) menjadi aktif dan merusak ozon
stratosfer melalui reaksi heterogen asam sulfat dalam tetes-tetes hujan (Hofmann and
Solomon, 1989). Hasil penelitian Iwasaka et al. (2002) di Cina mendapatkan struktur
aerosol (partikel) stratosfer, terutama terkomposisi dari asam sulfat dalam tetes awan

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

41

dengan kisaran diameter 0,4 m dan konsentrasinya 2-3 kali lebih besar dibandingkan
tampa letusan gunung berapi.
Ada tiga tipe aerosol mempengaruhi iklim secara signifikan. Yang pertama yaitu
lapisan aerosol gunung berapi yang terbentuk di stratosfer sesudah gunung meletus
seperti gunung Pinatubo. Kedua dari lapisan aerosol yang dominan adalah terbentuk
oleh gas SO
2
dan dirubah menjadi asam sulfat dalam tetes-testes hujan (droplets) di
stratosfer setelah berminggu-minggu atau bulan sesudah letusan gunung berapi. Angin
di stratosfer akan menyebarkan aerosol sampai secara praktis menyelimuti seluruh
bumi, akibatnya aerosol akan tinggal di stratosfer selama kira-kira dua tahun. Mereka
merefleksikan sinar matahari, mereduksi sejumlah energi yang sampai ke permukaan
bumi, dan mendinginkannya. Pendinginan pada tahun 1993 adalah respon dari lapisan
aerosol stratosfer sebagai hasil letusan gunung Pinatubo (NASA (ASD) Homepage,
2010). Menurut Ohta et al. (1997) hasil analisis koefisien kekeruhan atmosfer secara
global yang diperoleh di daerah pedesaan di Jepang dari tahun 1954 - 1989
memperlihatkan kenaikan 0,028 telah menyebabkan penurunan rata-rata temperatur
permukaan secara global sebesar 0,41
o
C. Pengaruh aerosol atmosfer pada radiasi
matahari sangat bergantung pada ukuran penyebaran, bentuk, konsentrasi, dan sifat-
sifat optiknya. Letusan G. Pinatubo di Pilipina pada 15 Juni 1991 menimbulkan
timbunan aerosol sebanyak 30Tg (30x10
12
g) (McCormick et al., 1995).
Tujuan dari penulisan ini adalah menghitung tingkat pengaruh aerosol terhadap total
ozon di atmosfer. Mengingat adanya pengaruh lainnya seperti radikal OH terhadap
pengrusakan ozon dan juga pengaruh kelembaban udara pada aerosol, maka analisis
dikelompokan berdasarkan empat musim. Musim di Indonesia terdiri dari musim kering
Juni-Agustus, basah Desember-Februari, peralihan basah ke kering Maret-Mei dan
peralihan kering ke basah September-November. Dengan mengetahui distribusi total
ozon per musim akan dapat menjelaskan penipisan lapisan ozon di Jawa.

2. TOTAL OZON
Total ozon terdiri dari ozon stratosfer dan troposfer. Daerah paling rendah atau lapisan
paling bawah disebut troposfer, dari permukaan bumi sampai ketinggian 10 km.
Sesungguhnya seluruh aktivitas manusia terjadi di troposfer. Lapisan berikutnya adalah
stratosfer, berkelanjutan dari 10 km sampai kira-kira 50 km. Sebagai yang
diperlihatkan, ozon atmosfer terbanyak terkonsebtrasi di lapisan stratosfer, kira-kira 15-
30 km di atas permukaan bumi (EPA-USA, 2011). Sekitar 90% dari total konsentrasi
ozon di atmosfer bumi terdapat di stratosfer dan disebut ozon yang baik. Ozon ini
sangat bermanfaat untuk menjaga kelangsungan kehidupan di bumi karena
kemampuannya dalam menyaring radiasi matahari ultraviolet (UV) terutama pada
panjang gelombang yang berbahaya dibawah 240 nm. Ozon dibentuk di stratosfer oleh
reaksi radiasi matahari terhadap molekul oksigen dalam proses yang disebut fotolisis:
O
2
pecah menjadi atom oksigen dan bergabung kembali dengan O
2
membentuk O
3
.
Ozon dirusak secara alamiah melalui siklus katalitik oksigen, nitrogen, chlorine,
bromine dan hidrogen (Bojkov, 1995). Dan sisanya 10% berada di lapisan troposfer
dari atmosfer bawah sampai 10 km, bersifat racun, oksidator sehingga merugikan

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


42

kehidupan di bumi. Ozon troposfer terutama sebagai hasil dari proses pembakaran dan
reaksi kimia gas-gas.
Perubahan konsentrasi ozon dapat disebabkan adanya pembentukan dan perusakan
karena pengaruh alamiah dan antropogenik. Pengaruh alamiah antara lain adalah
pengaruh aktivitas matahari, musim, ENSO (El Nino and South Oscillation) dan QBO
(Quasi Biennial Oscillation). Pengaruh antropogenik disebabkan bertambahnya emisi
senyawa perusak ozon seperti CFC, halon, metilbromida, karbon tetraklorida, senyawa
halokarbon lainnya dan senyawa lain yang mempunyai potensi merusak ozon di
stratosfer.

Gambar 1. Struktur vertikal lapisan ozon troposfer (permukaan-10 km) dan stratosfer
(10-50 km) Sumber: Bojkov, WMO 1995; World Meteorological Organization, 1998,
Scientific Assessment of Ozone Depletion: 1998, WMO Global Ozone Research and
Monitoring Project - Report No. 44, Geneva, 1998
(http://www.epa.gov/ozone/science/sc_fact.html#o3alt)

3. METODOLOGI
Data-data yang digunakan dalam analisis yaitu total kolom AOD
483,5nm
(Aerosol Optical
Depth pada panjang gelombang (= 483,5 nm) dan total kolom ozon dalam Dobson
Unit (DU) diperoleh dengan cara mengunduh melalui situs giovanni-NASA
(http://daac.gsfc.nasa.gov/giovanni/). Situs giovanni-NASA merupakan interface yang
dikelola oleh NASA untuk mempermudah pengguna dalam mengunduh data-data hasil
observasi satelit yang dikelolanya. Untuk AOD
483,5nm
dipilih data Aura-OMI
(Observation Monitoring Instrument) level 2g dan total kolom O
3
dipilih data Aura-
OMI level 3. Data AOD
483,5nm
level 2g telah berupa grid 0,25
0
x 0,25
0
atau setara
dengan luas wilayah 25 km x 25 km, sedangkan data total kolom O
3
level 3 berupa grid
1
o
1
o
atau setara dengan luas wilayah 100 km x 100 km.
K
e
t
i
n
g
g
i
a
n

(
k
m
)


Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

43

Data AOD
483,5nm
dan total kolom O
3
diunduh berdasarkan rata-rata musiman untuk
wilayah Jawa (5,5
0
LS-9
0
LS; 105
0
BT-115
0
BT) yaitu bulan Desember 2004 - Februari
2005, Maret 2005 - Mei 2005, Juni 2005 - Agustus 2005, September 2005 - November
2005, Desember 2005 - Februari 2006, dan seterusnya hingga September 2008 -
November 2008. Selanjutnya dengan menggunakan spreadsheet EXCEL data-data
tersebut dikelompokkan dan dirata-ratakan berdasarkan musim selama 4 tahun (2004-
2008) yaitu Desember-Februari (DJF) mewakili musim basah, Juni-Agustus (JJA)
mewakili musim kering serta Maret-Mei (MAM) dan September-November (SON)
mewakili musim peralihan.
Selanjutnya perangkat lunak Arc View/GIS versi 3.3 digunakan untuk membuat peta
kontur rata-rata musiman AOD
483,5nm
dan total ozon (O
3
) untuk wilayah Jawa dengan
metode interpolasi menjadi grid 0,01
o
x0,01
o
. Berdasarkan peta kontur tersebut maka
dapat ditentukan nilai AOD
483,5nm
dan total kolom O
3
per-kabupaten di Jawa. Dari peta
distribusi AOD
483,5nm
dan total ozon dianalisis penyebaran aerosol dan pengaruhnya
terhadap total ozon atau sebaliknya. Kajian pengaruh AOD
483,5nm
terhadap total ozon
dengan metode korelasi Pearson dari SPSS. 15 untuk tingkat kepercayaan 95% atau
o=0,05 (Santosa S., 2001 dan Seni, 2005). Analisis korelasi Pearson menggunakan data
rata-rata bulan untuk wilayah Jawa dari AOD
483,5nm
dan total ozon.

4. HASIL DAN DISKUSI
4.1 AOD
483,5 nm
(Aerosol Optical Depth 483,5 nm)
Dari Gambar 2 dan Tabel 1, nilai AOD
483,5 nm
(Aerosol Optical Depth 483,5
nm) tertinggi terdapat pada bulan-bulan DJF di Banten, Jakarta dan Jawa Barat yaitu
sebesar 1,131-2,193. Juga di Sleman, Brebes, Magelang, Wonosobo dan Bondowoso
tinggi pada musim DJF dengan kisaran 1,131-2,193. Sedangkan Kota Banjar nilai
AOD
483,5 nm
adalah 2,725. Demikian pula pada musim peralihan SON, nilai AOD
483,5 nm

tinggi yaitu dalam kisaran 1,131-3,256 di daerah Banten, Jawa Barat, Jakarta, Brebes
dan Sleman adalah wilayah dengan kepadatan transportasi, sedangkan Magelang,
Wonosobo dan Bondowoso mempunyai gunung berapi (Global Volcanism Program
(GVP), 2009). Di daerah Kuningan, Sleman, Wonosobo, Magelang dan Bondowoso
mempunyai nilai > 2,000 pada musim SON, perlu diketahui wilayah tersebut terdapat
gunung berapi sehingga memberikan kontribusi partikel ke atmosfer. Pada musim
peralihan kondisi atmosfer dengan konsentrasi aerosol yang tinggi diduga kuat adanya
kontribusi dari musim kemarau. Dan kurangnya proses pencucian atmosfer oleh hujan
akan menaikkan konsentrasi aerosol di atmosfer di bulan-bulan SON.



Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


44





















Gambar 2. Rata-rata musiman DJF, MAM, JJA dan SON dari AOD
483,5 nm
berdasarkan
data Aura OMI level 2g di Jawa 2004-2008

Sedangkan untuk kota besar seperti Jakarta, Bandung, Semarang dan Surabaya nilai
AOD
483,5 nm
dalam kisaran cukup tinggi yaitu 1,131-1,662 dikarenakan industri dan
transportasi. Secara keseluruhan Jakarta diikuti Merak, Semarang dan Cirebon
sepanjang pantai Pantura sampai Surabaya (Sidoarjo dan Mojokerto), dan Probolinggo
mempunyai nilai aerosol tinggi dengan AOD
483,5 nm
yang tinggi 1,131-1,662
dibandingkan kota-kota lainnya di Jawa. Kota-kota tersebut merupakan daerah dengan
transportasi dan industri yang padat. Bulan-bulan dengan konsentrasi aerosol tinggi
terjadi pada musim SON diikuti DJF, MAM dan terakhir JJA. Pada musim penghujan
aerosol dengan AOD
483,5 nm
tinggi 1,131-1,662 dan 1,662-2,725 di musim penghujan di
Jawa Barat, Banten, Jakarta, Jawa Tengah dan Jawa Timur disebabkan tingkat
kelembaban yang tinggi dan terbentukannya inti kondensasi musim penghujan sehingga
ketebalan optik menjadi tebal atau tinggi.



Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

45

Tabel 1. Rata-rata AOD
483,5 nm
(Aerosol Optical Depth pada panjang gelombang () 483,5
nm) berdasarkan lokasi dan musiman (DJF; MAM; JJA; SON) dari data Aura OMI level
2g periode 2004-2008 di Jawa.

Aerosol Optical Depth (AOD
483,5nm
) djf mam jja son
Provinsi kabupaten
Rata-rata
(DU)
Rata-rata
(DU)
Rata-rata
(DU)
Rata-rata
(DU)
BANTEN Kota Tangerang 1,049 1,808 0,905 1,443
Lebak 0,926 1,490 1,321 1,792
Pandeglang 1,020 1,159 1,042 1,215
Serang 1,425 1,451 1,267 1,193
DKI JAKARTA Kota Jakarta Utara 1,144 1,219 0,920 1,230
JAWA BARAT Bandung 1,766 1,219 1,282 1,760
Bekasi 1,503 1,075 0,989 1,381
Bogor 1,913 1,414 1,524 1,242
Ciamis 0,757 1,385 1,338 0,914
Cianjur 0,819 1,070 0,902 1,264
Cirebon 1,551 0,987 0,844 1,386
Garut 0,920 0,620 1,079 0,967
Indramayu 1,258 0,886 0,855 1,648
Karawang 1,540 1,082 0,847 1,183
Kota Bandung 0,666 1,057 1,315
Kota Banjar 2,074 1,022 1,465 1,550
Kota Depok 1,955 1,296 1,165 1,382
Kuningan 1,678 1,335 2,846
Majalengka 1,676 1,471 0,860 1,744
Purwakarta 1,752 1,485 1,101 1,636
Subang 1,604 1,039 0,795 1,222
Sukabumi 1,460 1,377 1,170 0,508
Sumedang 1,819 1,103 0,824 1,646
Tasikmalaya 1,655 1,413 1,329 1,408
D I YOGYAKARTA Bantul 0,807 0,986 1,134 1,355
Gunung Kidul 1,033 0,848 0,872 0,854
Kulon Progo 0,828 0,993 0,978 1,005
Sleman 1,368 1,115 1,198 2,203
BALI Badung 0,578 0,474 0,237 0,548
Bangli 1,053 0,767 0,975 0,452
Buleleng 1,201 1,091 0,402 0,573
Jembrana 0,702 1,214 0,954 0,783
Karang Asem 0,781 0,414 0,569 0,489
Tabanan 0,852 0,988 1,634
LAMPUNG Lampung Barat 0,803 0,720 0,637 1,345
Lampung Selatan 1,290 1,768 1,766 1,594
Lampung Timur 1,500 1,543 1,818 1,196
Tanggamus 1,701 2,394 1,544 1,794
JAWA TENGAH Banjarnegara 0,819 1,281 0,283
Banyumas 0,894 1,024 0,976 1,003
Batang 1,630 0,771 2,796

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


46

Blora 1,213 1,544 1,063 1,583
Brebes 1,342 2,589 0,838 1,506
Cilacap 1,130 0,858 1,166 0,645
Demak 1,273 1,055 0,765 1,687
Grobogan 1,217 0,869 1,027 1,394
Karanganyar 0,912 0,823 1,149 1,070
Kebumen 1,029 0,336 1,079 0,860
Klaten 1,503 1,561 0,985 1,287
Kota Tegal 0,960 0,734 1,332
Kudus 1,255 1,320 0,804 1,219
Magelang 1,462 1,657 0,968 2,035
Pati 1,411 1,133 0,890 1,119
Pekalongan 2,354 0,686 0,912 1,003
Pemalang 1,133 0,603 0,930 0,875
Purbalingga 0,612 1,008 2,377
Purworejo 1,159 0,936 1,172 1,295
Rembang 1,326 1,664 0,933 1,074
Semarang 1,554 1,173 0,901 1,467
Sragen 1,613 0,869 1,023 1,253
Sukoharjo 1,027 1,521 1,235 1,627
Tegal 2,122 1,253 0,767 1,052
Temanggung 1,457 0,922 1,038 1,443
Wonogiri 1,110 1,402 1,029 0,922
Wonosobo 1,399 2,377 1,239 2,484
JAWA TIMUR Bangkalan 1,300 1,059 0,794 0,898
Banyuwangi 1,107 0,593 0,795 0,800
Blitar 1,067 0,598 0,902 1,083
Bojonegoro 1,521 1,275 1,039 1,387
Bondowoso 2,007 1,519 0,523 1,260
Jember 1,091 1,071 0,826 1,053
Jombang 0,871 2,260 1,238 0,842
Kediri 1,009 0,859 1,303 1,028
Lamongan 1,621 0,957 0,943 1,251
Lumajang 1,048 0,662 1,069 0,935
Madiun 1,545 1,642 0,975 1,384
Magetan 1,540 0,956 0,915 0,977
Malang 0,747 0,848 1,086 0,864
Mojokerto 1,349 1,244 0,942 1,166
Nganjuk 1,973 0,770 0,793 1,285
Ngawi 1,919 1,012 1,036 1,624
Pacitan 0,812 1,239 0,713 1,549
Pamekasan 0,820 0,883 0,537 1,268
Pasuruan 1,003 0,607 0,730 0,802
Ponorogo 1,405 1,632 1,167 1,205
Probolinggo 2,674 0,730 1,333
Sampang 0,625 0,853 0,660 1,033
Sidoarjo 1,671 0,927 0,827 0,481

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

47

Situbondo 1,302 0,741 0,456 1,034
Sumenep 1,074 0,761 0,567 0,866
Trenggalek 1,023 0,898 1,032 0,851
Tuban 1,481 0,994 0,858 1,145
Tulungagung 1,050 0,712 0,818 1,462

4.2 Distribusi Total Ozon
Gambar 3 memperlihatkan konsentrasi rata-rata musiman total kolom ozon dari data
Aura OMI level 2g di Jawa dari 2004 sampai 2008, dengan konsentrasi tinggi pada
musim SON (September-Oktober-November). Distribusi total ozon pada musim SON
di pulau Jawa hampir merata dengan konsentrasi rata-rata 255,33-258,56 DU.
Tingginya konsentrasi total ozon pada musim peralihan SON diduga kuat ada
peningkatan ozon prekursor seperti CO, NOx, CH
4
, NMHC di lapisan bawah atmosfer.
Gas-gas ini dihasilkan oleh pembakaran bahan bakar fosil berupa gas buang. Sedang
pembakaran biomass seperti kebakaran hutan akan menghasilkan gas-gas seperti CO,
NH
3
, CH
4
, CH
3
Cl dan NOx yang diantaranya berpotensi terhadap pembentukan ozon.
Bila ozon precursor di troposfer meningkat, maka ozon troposfer akan meningkat pula
tentunya. Mekanisme ini tentunya bisa dilihat dari proses pembentukan dan
pengrusakan ozon (Anderson and Herschbach, 1985; Meszaros, 1981; Seinfeld and
Pandis, 1998), contohnya pembentukan ozon karena CO.
a. Reaksi pembentukan ozon troposfer karena adanya CO
HO + CO + O
2
HO
2
+ CO
2

HO
2
+ NO NO
2
+ HO
NO
2
+ hv NO + O
O + O
2
+ M O
3
+ M
CO + 2 O
2
CO
2
+ O
3
Dari distribusi spasial Gambar 3 dan Tabel 2 tersebut didapati konsentrasi ozon
tinggi di kota Jakarta, Serang, Kota Tangerang, dan kota-kota di Jawa Timur
seperti Sidoarjo, Mojokerto, Jombang, Pasuruan yang merupakan kota-kota
penompang atau penyanggah transportasi padat ke daerah Surabaya juga Kediri.
Kota-kota tersebut adalah wilayah dengan transpotasi dan industri yang cukup
padat dan tentunya memberikan kontribusi gas buang dari pembakaran bahan
bakar fosil yang tinggi dibandingkan kota-kota lainnya.
Pada musim penghujan DJF (2004-2008) didapati konsentrasi rata-rata total O
3

adalah terendah yaitu dalam kisaran 245,67-248,89 DU dibandingkan tiga musim
lainnya seperti MAM, JJA dan SON. Adapun pantai utara Jawa Timur agak lebih
tinggi dengan kisaran 248,89-252,11 DU sebaliknya Cilacap, Bandung, Cianjur,
Garut dan Padeglang didapati konsentrasi rata-rata total O
3
dalam kisaran 242,44-
245,67 DU pada musim DJF (2004-2008). Nilai rata-rata total O
3
yang rendah
pada musim penghujan dikarenakan terjadi pengrusakan O
3
seperti oleh
ditunjukkan pada mekanisme pengrusakan ozon troposfer maupun stratofer
dikarenakan oleh adanya gugus hidroksil (HO). Awan mengandung H
2
O yang

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


48

berpotensi secara langsung menghancurkan ozon terutama pada ketinggian diatas
40 km. Radikal OH dan HO
2
yang dihasilkan dari fotokimia air adalah:
H
2
O + O* 2HO
Reaksi pengrusakan ozon seperti di bawah ini (Anderson and Herschbach, 1985;
Meszaros, 1981; Seinfeld and Pandis, 1998).
b. Reaksi pengrusakan ozon troposfer karena reaksi fotolisa
Ozon troposfer dirusak oleh reaksi fotolisa: O
3
+ hv O(
1
D) + O
2

O
3
+ hv O(
3
P) + O
2

O(
1
D) yang bersifat metastabil dihilangkan oleh O
2
dan N
2
menjadi:
O(
1
D) + M O(
3
P) + M
c. Bila bereaksi dengan H
2
O akan membentuk gugus hidroksil (HO) yang dapat
terjadi di troposfer dan stratosfer yang berpotensi merusak ozon karena gugus
hidroksil (HO):
O(
1
D) + H
2
O HO + HO
Ozon dapat bereaksi langsung dengan nitrogen oksida (NO):
O
3
+ NO NO
2
+ O
2

Gambar 3. Rata-rata musiman DJF, MAM, JJA dan SON dari total kolom ozon (data
Aura OMI level 2g) di Jawa 2004-2008

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

49

Tabel 2. Rata-rata total kolom ozon (O
3
) berdasarkan lokasi musiman (DJF; MAM; JJA;
SON) dari data Aura OMI level 2g periode 2004-2008 di Jawa

O
3
(Dobson Unit) djf mam jja son
provinsi kabupaten
Rata-rata Rata-rata Rata-rata Rata-rata
DU DU DU DU
BANTEN Kota Tangerang 248,0 256,0 256,0 257,0
Lebak 247,0 252,4 253,2 256,4
Pandeglang 246,8 253,4 253,6 257,0
Serang 247,3 255,0 255,3 258,3
DKI JAKARTA Kota Jakarta Utara 248,0 256,0 256,0 259,0
JAWA BARAT Bandung 246,3 251,7 251,3 255,7
Bekasi 247,5 254,5 254,5 257,5
Bogor 248,3 253,5 253,5 257,8
Ciamis 247,0 250,3 250,7 255,7
Cianjur 245,8 250,2 251,2 256,0
Cirebon 249,0 252,5 253,0 257,0
Garut 246,3 250,3 250,3 255,3
Indramayu 247,5 253,0 252,0 256,5
Karawang 247,5 253,0 254,0 257,0
Kota Bandung 246,0 252,0 250,0 256,0
Kota Banjar 246,0 251,0 252,0 256,0
Kota Depok 249,0 255,0 254,0 257,0
Kuningan 248,0 253,0 252,0 257,0
Majalengka 248,0 252,5 252,5 256,5
Purwakarta 248,0 254,0 253,0 256,0
Subang 248,0 253,0 253,7 257,0
Sukabumi 245,4 250,8 251,4 255,8
Sumedang 248,3 253,3 253,7 256,0
Tasikmalaya 247,3 251,0 251,0 255,5
D I
YOGYAKARTA
Bantul 248,0 251,0 250,0 256,0
Gunung Kidul 247,5 251,0 250,5 256,0
Kulon Progo 247,0 251,0 250,0 256,0
Sleman 247,0 250,0 250,0 256,0
BALI Badung 246,0 248,0 247,0 256,0
Bangli 249,0 250,0 250,0 257,0
Buleleng 249,0 251,0 250,0 258,0
Jembrana 248,0 250,0 250,5 257,5
Karang Asem 249,0 250,0 249,0 257,0
Tabanan 248,0 250,0 250,0 258,0
LAMPUNG Lampung Barat 245,0 252,0 253,0 254,0
Lampung Selatan 246,0 253,5 253,8 255,5
Lampung Timur 247,0 254,0 255,0 256,0
Tanggamus 246,0 252,7 252,3 255,3
JAWA Banjarnegara 247,0 250,0 251,0 256,0
TENGAH Banyumas 247,5 250,5 252,5 257,5
Batang 248,0 253,0 252,0 258,0
Blora 248,0 252,0 251,0 256,0

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


50

Brebes 248,5 253,0 252,0 257,0
Cilacap 247,0 250,3 251,0 256,0
Demak 247,0 251,0 252,0 256,0
Grobogan 247,7 251,3 250,7 255,7
Karanganyar 249,0 254,0 251,0 257,0
Kebumen 247,0 250,0 250,0 256,0
Klaten 248,0 251,0 250,0 256,0
Kota Tegal 248,0 253,0 252,0 257,0
Kudus 248,0 252,0 251,0 256,5
Magelang 249,0 250,0 249,0 256,0
Pati 247,0 252,0 250,0 257,0
Pekalongan 248,5 252,5 252,5 257,5
Pemalang 248,5 253,0 251,5 256,5
Purbalingga 247,0 252,0 253,0 258,0
Purworejo 246,0 250,0 250,0 256,0
Rembang 248,0 253,0 251,0 256,0
Semarang 249,0 252,5 252,0 256,5
Sragen 249,0 251,5 251,0 256,5
Sukoharjo 248,0 251,0 250,0 256,0
Tegal 248,0 253,0 253,0 257,0
Temanggung 248,5 252,5 250,5 256,5
Wonogiri 247,7 250,3 249,7 256,3
Wonosobo 246,0 250,0 251,0 256,0
JAWA TIMUR Bangkalan 248,0 251,0 251,0 257,0
Banyuwangi 248,0 251,0 250,5 257,0
Blitar 246,5 249,5 250,0 256,5
Bojonegoro 248,0 251,7 250,7 257,3
Bondowoso 249,0 251,0 250,0 257,0
Jember 247,8 250,5 250,0 257,0
Jombang 250,0 252,0 252,0 260,0
Kediri 248,7 251,3 252,3 258,3
Lamongan 248,5 251,5 251,5 257,0
Lumajang 248,0 250,5 250,0 257,5
Madiun 249,0 250,0 251,0 256,0
Magetan 250,0 252,0 252,0 255,0
Malang 247,7 250,0 250,4 257,3
Mojokerto 249,0 253,0 251,0 258,0
Nganjuk 248,0 250,0 251,0 257,0
Ngawi 247,0 250,0 251,0 257,0
Pacitan 247,0 250,0 250,0 257,0
Pamekasan 248,0 250,0 249,0 256,0
Pasuruan 249,3 253,3 253,0 258,3
Ponorogo 248,3 251,3 250,7 256,7
Probolinggo 250,5 252,5 251,5 258,0
Sampang 247,0 251,0 249,0 256,0
Sidoarjo 249,0 252,0 253,0 258,0
Situbondo 249,7 251,3 250,3 258,0

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

51

242
244
246
248
250
252
254
256
258
0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
DJF MAM JJA SON
T
o
t
a
l

O
z
o
n

(
D
U
)
A
O
D

4
5
3
,
5

n
m
Musim
O3
AOD483,5 nm
Sumenep 247,5 250,5 249,5 254,3
Trenggalek 247,0 251,0 249,0 256,0
Tuban 248,0 252,3 251,7 256,7
Tulungagung 248,0 250,0 250,0 257,0


4.3 Pengaruh Aerosol terhadap total O
3

Dari observasi menjelaskan bahwa tahun 1991, letusan gunung Pinatubo (Philipina)
yang mengeluarkan mineral aerosol dan SO
2
telah menyebabkan penipisan lapisan ozon
naik 20% pada musim semi berikutnya (Solomon et al., 1993). Sulfat partikel yang
terdapat dalam aerosol maupun hasil pembentukan dari gas SO
2
diyakini sebagai tempat
nukleisasi awan-awan stratosfer (Iwasaka et al., 1994) yang akan berpengaruh terhadap
penipisan total ozon karena pengrusakan ozon oleh Cl di stratosfer. Menurut Hofmann
and Solomon, 1989, kemungkinan partikel sulfat dapat diuraikan di stratosfer dan
mengubah chlorine yang inert (tidak bereaksi) menjadi aktif dan merusak ozon
stratosfer melalui reaksi heterogen asam sulfat dalam tetes-tetes hujan. Dari Gambar 4
terdapat pengaruh aerosol yang dinyatakan dalam rata-rata AOD
483,5 nm
terhadap rata-
rata total O
3
di Jawa (2004-2008) yaitu AOD
483,5 nm
meningkat sebaliknya konsentrasi
total O
3
turun pada musim DJF, MAM dan JJA kecuali musim SON memperlihatkan
rata-rata total O
3
tinggi yaitu 256,673 DU dan rata-rata AOD
483,5 nm
juga tinggi yaitu
1,261.
Gambar 4. Rata-rata AOD
483,5 nm
dan rata-rata total O
3
di Jawa dari 2004 sampai 2008
dari data satelit Aura-NASA sensor OMI

Dengan uji korelasi Pearson dengan (ternyata pengaruh aerosol terhadap total O
3
cukup
kuat dengan koefisien korelasi sebesar -0,807 dan signifikan p=0,40 > 0,05 untuk
musim DJF, MAM dan JJA. Korelasi negatif memgambarkan aerosol yang tinggi
terutama pada musim penghujan DJF menyebabkan penurunan total O
3
. Nilai o (alpha)
adalah nilai koefisien kepercayaan yang dalam perhitungan ini digunakan o (alpha)

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


52

0,05 atau tingkat kepercayaan 95% (Seni, 2005). Tingginya konsentrasi total O
3
pada
musim SON di Jawa diduga ada peningkatan O
3
prekursor seperti dijelaskan pada
subbab sebelumnya.

5. KESIMPULAN
Hasil analisis di Jawa memperlihatkan adanya perbedaan yang sangat jelas antara
musim kering dan basah untuk total O
3
yaitu maksimum pada musim peralihan kering
ke basah pada bulan-bulan SON dan minimum pada bulan-bulan DJF. Penipisan total
O
3
di Jawa dipengaruhi oleh gugus hidroksil (HO) dan aerosol pada musim hujan. Kota
Jakarta, Serang, Kota Tangerang, Sidoarjo, Mojokerto, Jombang, Pasuruan sebagai kota
dengan transpotasi dan industri yang cukup padat telah memberikan kontribusi gas
buang dari pembakaran bahan bakar fosil yang tinggi dibandingkan kota-kota lainnya
dan berdampak pada tingginya total O
3
di wilayah tersebut. Sebaliknya aerosol tinggi
pada bulan-bulan basah DJF di Jawa. Pengaruh aerosol terhadap penurunan total O
3

sangat signifikan pada musim basah (penghujan DJF) dengan angka korelasi yang
cukup kuat yaitu sebesar -0,807. Maka pada di Jawa terdapat peluang penipisan total O
3

pada musim penghujan DJF dan penebalan total O
3
pada musim peralihan kering ke
basah SON.

DAFTAR REFERENSI
Anderson J.G. and Herschbach D.R., 1985, Atmospheric Ozone 1985 Volume I, World
Meteorology Organization Global Ozone Research and Monitoring Project-Report No. 16,
NASA, hal. 117-119.
Bojkov, R.D., 1995, The Changing Ozone Layer, World Meteorological Organization and
United Nations Environment Programme, pp. 1-25.
Global Volcanism Program (GVP), downloaded, February 18, 2009, http://www.volcano.si.edu.
Houghton J., 1986, The Physics of Atmospheres Second Edition, Cambridge University Press,
39-56.
Iwasaka Y., Okuhara Y., Watanabe M, Hayashi M., Shi G., Gong Z., and Zhou J., 2002,
Balloon-Borne Measurements of Atmospheric Aerosol Particles at Beijing, China in
Summer of 1993 : Morphology, Size and Concentration, International Fall School of
Atmospheric Environment and Atmospheric Aerosol and Dust in Asia, Nov. 10-20, Nagoya
University, pp.76-82
McCormick M. P., Thomason L. W., and Trepte C.R. (1995), Atmospheric effects of the Mt
Pinatubo Eruption, Nature, Vol. 373, pp. 399-404.
Meszaros E., 1981, Atmospheric Chemistry (Fundamental Aspects), Elsevier Scientific
Publishing Company Amsterdam Oxford New York, Studies in Environment Science,
Vol. II pp. 48-49.
NASA Langley's Atmospheric Sciences Division (ASD) Homepage, downloaded, September
2010.

Analisis Aerosol dan Total O
3
di Jawa Hasil Observasi Aura-Omi
Bunga Rampai Penginderaan J auh Indonesia, 2011

53

Ohta S., Murao N., Yamagata S., Fukazawa T., Hasegawa S., dan Arao K., 1997, Variation in
Atmospheric Turbidity in The Area Around Japan, Journal of Global Environment
Engineering, Environ. , Vol. 3, pp. 9-21.
Parker D. E. , Wilson H., Jones P. D., Christy J. R., dan Polland C. K., 1995, The Impact of
Mount Pinatubo on Worldwide Temperatures, International Journal of Climatology.
Santosa S., 2001, SPSS Mengolah Data Statistik Secara Profesional Versi 7.5, Penerbit PT Elex
Media Komputindo Kelompok Gramedia-Jakarta, 217-254.
Seinfeld J.H., and Pandis S.N., 1997, Atmospheric Chemistry and Physics, John Wiley and Sons
Inc., pp. 1143-1145.
Seni, M. S., 2005, Tugas makalah: Analisis Multiregresi, STT Telkom Bandung,
http://www.stttelkom.ac.id.
Smirnov A.V., and K.S. Shifrin, Relationship of optical thickness to humidity of air above the
ocean, Izv. Acad. Sci. USSR Atmos. Oceanic Phys., Engl. Transl., 25, 374-379, 1989.
Solomon et al., 1993, The Ozone Layer, Ozone Layer.htm, download, February 5-2009.
World Meteorological Organization, 1998. Scientific Assessment of Ozone Depletion: 1998,
WMO Global Ozone Research and Monitoring Project - Report No. 44, Geneva, 1998.

BIOGRAFI PENULIS
Tuti Budiwati
Tuti Budiwati mendapatkan Sarjana Teknik Kimia di ITS tahun
1985. Mulai bekerja di Lembaga Penerbangan dan Antariksa
Nasional Bandung sejak Oktober 1986 dan mendalami kimia
atmosfer. Tahun 1988 sampai 1989 selama satu tahun ikut
Program trainining STMDP di Saitama University dalam studi
kimia atmosfer. Pendidikan S2 diperoleh di Fakultas Teknik
Jurusan Teknik Lingkungan-Hokkaido University, Sapporo
Japan tahun 1996.
Penelitian: Hujan asam, kimia atmosfer, aerosol, dan radiasi
matahari

Fungsional : Peneliti Madya, Ilmu Pengetahuan Atmosfer
- Kecenderungan SO
4
2-
dan NO
3
-
Dalam Air Hujan di Jawa.
- Karakteristik Kimia Aerosol Atmosfer di Jakarta.
- Pengaruh Ozon Terhadap Hujan Asam di Bandung.
Variabilitas koefisien pencucian dari sulfat, nitrat, amonium dan sodium aerosol di
Kototabang dan Jakarta.



Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


54

Wiwiek Setyawati
Wiwiek Setyawati mendapatkan Sarjana Teknik Kimia dari
Sheffield University, Inggris tahun 1998. Mulai aktif bekerja di
Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
Bandung sejak tahun 2000 di Bidang Pengkajian Ozon dan
Polusi Udara yang sejak tahun 2010 berganti nama menjadi
Bidang Komposisi Atmosfer. Tahun 2007 mendapatkan gelar
Master Teknik Lingkungan dari ITB. Jabatan Fungsional saat
ini adalah Peneliti Muda pada bidang Sains Atmosfer dan
Lingkungannya dengan fokus penelitian polusi udara, aerosol
dan Gas Rumah Kaca (GRK).
- Konsentrasi Logam Timah Hitam (Pb) dan Total Suspended Partikulat Matter (TSP)
di Udara Ambien Kota Bandung dan Ciater.
- Pengaruh Kebakaran Hutan Terhadap Peningkatan Aerosol di Atmosfer Indonesia
2005-2008.
- Pengaruh Gas-gas Rumah Kaca dan aerosol terhadap temperatur di Stratosfer dan
Mesosfer Hasil Pengamatan HALOE.
Seasonal characteristics of nitric oxide and water vapor over Indonesia's region and
their influence to stratospheric ozone as observed by HALOE









55

Analisis Total Kolom So
2
di Sumatera dan Jawa Periode 2004-
2008 Hasil Observasi Sciamachy




Wiwiek Setyawati
1
dan Tuti Budiwati
2

1,2
Pusat Pemanfaatan Sains Atmosfer Dan Iklim-LAPAN
Jl. Dr. Djundjunan 133, Bandung
Tel/Fax: 022-6037445/022-6037443;
e-mail:
1
wiwieksetyawati21@gmail.com

Abstrak
Inventori emisi gas-gas seperti total kolom SO
2
adalah hal sangat penting untuk kajian
deposisi asam maupun kualitas udara. SO
2
dihasilkan dari aktivitas manusia seperti
pembakaran minyak, batubara, hasil proses kimia industri dan alam seperti gunung
berapi. Gunung berapi tersebar di seluruh Indonesia terutama sepanjang Sumatera dan
Jawa di bagian pantai Hindia atau bagian Barat dan Selatan pulau-pulau tersebut. Hasil
observasi dengan satelit SCIAMACHY dan pengolahan data total kolom SO
2
tahun
2004-2008 menggunakan metode statistik memberikan gambaran rata-rata musiman
total kolom SO
2
per-wilayah Kabupaten di Sumatera dan Jawa. Distribusi spasial total
kolom SO
2
ditemukan merata dalam kisaran 0,04-0,08 DU (Dobson Unit) di Jawa dan
Sumatera pada bulan DJF (Desember-Februari). Selanjutnya distribusi spasial total
kolom SO
2
secara berurutan dari tinggi ke rendah adalah DJF (Desember-Februari) >
SON (September-November) > MAM (Maret-Mei) > JJA (Juni-Agustus). Pulau Jawa
dengan gunung-gunungnya yang sering meletus terutama di Jawa Timur menunjukkan
dampak letusan tersebut di kawasannya. Demikian pula di Sumatera pengaruh gunung
berapi dimana mereka berada akan menyumbangkan emisi SO
2
lebih besar
dibandingkan dari aktivitas manusia.
Kata kunci: Gunung berapi, SCIAMACHY, total kolom SO
2
, musiman, wilayah
kabupaten

Abstract
Emission inventory of gases such as SO
2
total column is a very important part of acid
deposition or air quality analysis. Gaseous SO
2
is produced by human activities such
as oil and coal combustion, chemical industries process and natural activity such as
volcanoes. Volcanoes are distributed all over Indonesias regions, mainly in Sumatera
and Java in Hindia coastline or West and South parts of those islands. Observation
results by Sciamachy satellites and SO
2
total column data analysis from 2004-2008 by
using statistics method produced seasonally average of SO
2
total column for each
county in Sumatera and Java. SO
2
total column is distributed spatially evenly with
values between 0.04-0.08 DU (Dobson Unit) in Java and Sumatera during DJF
(December to February). Furthermore, spatial distribution of SO
2
total column from

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


56

highest to lowest is DJF (December to February) > SON (September to November) >
MAM (March to May) > JJA (June to August). Java island with its active volcanoes
mainly in East Java showed eruption effect around the region. So as in Sumatera,
volcanoes eruption effect to areas where they were located contributed higher SO
2
emission than human activities.
Keywords: Volcanoes, SCIAMACHY, SO
2
total column, season, county regions

1. PENDAHULUAN
Inventori emisi gas-gas seperti total kolom SO
2
adalah hal sangat penting untuk kajian
deposisi asam maupun kualitas udara. SO
2
dihasilkan dari aktivitas manusia seperti
pembakaran minyak, batubara, hasil proses kimia industri dan alam seperti gunung
berapi (Meszaros, 1981). Penggunaan bahan bakar dari 2000 sampai 2006
menunjukkan kenaikan dari total 496.589.150 menjadi 577.533.310 Equivalent Barrel
Oil (EBO) (KNLH, 2008). Diantara sektor-sektor pengguna bahan bakar seperti sektor
industri, rumah tangga, komersial, transportasi dan lainnya, maka sektor industri
merupakan konsumen terbesar sekitar 37,2 % dari total pengguna energi diikuti sektor
transportasi (KNLH, 2008). Tingginya penggunaan energi di sektor indutri dan
transportasi akan mengemisikan polutan seperti NO
2
, SO
2
, dan aerosol ke atmosfer
yang berpotensi mengakibatkan deposisi asam dan pemanasan global. Peningkatan gas
buang seperti NH
3
, NO
2
, SO
2
, dan aerosol akan mempengaruhi kadar keasaman air
hujan (Seinfeld dan Pandis, 1998).
Penggunaan bahan bakar solar dengan kandungan sulfur tinggi masih banyak dijumpai
di SPBU di Indonesia dengan standar maksimum 3500 ppm, berbeda dengan standar
Euro-2 yang mensyaratkan kandungan sulfur dalam solar sebesar 500 ppm. Hasil
pemantauan tahun 2007 terhadap kandungan sulfur dalam solar didapati rata-rata
sebesar 2156 ppm dengan kisaran 400-4600 ppm, tahun 2006 kandungan sulfur dalam
solar rata-rata sebesar 1494 ppm dengan kisaran 700-3300 ppm (KNLH, 2008). Selain
itu pemakaian batubara untuk pembangkit listrik seperti di Suralaya dan Cilacap juga
industri akan meningkatkan konsentrasi gas SO
2
di atmosfer.
Selain dari sumber penggunaan energi yang berdampak terhadap emisi SO
2
juga dari
sumber vulkanologi akan memberikan kontribusi SO
2
di atmosfer. Wilayah Indonesia
terdiri dari gunung berapi yang aktif dari Aceh sampai Sumatera Selatan memanjang
sepanjang pantai barat dan sepanjang pantai selatan pulau Jawa sampai ke NTB, NTT,
Sulawesi Utara, Pulau Halmahera dan Papua. Wilayah Indonesia yang bebas dari
gunung berapi adalah pulau Kalimantan. Pulau Sumatera mempunyai sekitar 13 gunung
berapi memanjang dari Aceh sampai Sumatera Selatan di sepanjang pantai barat
menghadap laut Hindia menghadap laut Hindia dan pulau Jawa mempunyai sekitar 18
gunung berapi yang tersebar disepanjang pantai selatan dari ujung barat (Provinsi
Banten) sampai timur (Jawa Timur) (Gambar 1; GVP, 2008).
Letusan gunung berapi akan menyumbangkan sulfur ke sampai stratosfer. SO
2
yang
diemisikan dari letusan gunung berapi sekitar 1-25 % volume, H
2
S sebesar 1-10 %
volume, COS sebesar 10
-4
-10
-2
% dan CS
2
sebesar 10
-4
-10
-2
% volume gas yang

Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

57

diemisikan. H
2
S di atmosfer akan dikonversikan menjadi SO
2
. Komponen sulfur
didominasi oleh SO
2
, dengan emisi per tahun sekitar 1,5 sampai 50 Tg SO
2
(Textor et
al., 2003). Gas SO
2
di atmosfer akan dirubah menjadi sulfat oleh reaksi kimia yaitu
melalui reaksi oksidasi dilanjutkan pelarutan dengan H
2
O (dalam tetes hujan misalnya).
Maka gunung berapi adalah sumber alam yang menyumbangkan unsur asam ke
atmosfer atau dikatakan berpotensi dalam pembentukan deposisi asam. Analisis data
satelit total kolom SO
2
secara spasial di wilayah Sumatera dan Jawa akan memberikan
gambaran SO
2
per-wilayah Kabupaten di Sumatera dan Jawa dan potensinya terhadap
deposisi asam di wilayah tersebut.

Gambar 1. Peta gunung berapi utama di Indonesia (sumber:
http://vulcan.wr.usgs.gov/Volcanoes/Indonesia/Maps/map_indonesia_volcanoes.html)

2. METODOLOGI
Data total kolom SO
2
merupakan hasil pengayaan data sensor atmosfer
SCHIAMACHY (Scanning Imaging Absorption Spectrometer for Atmospheric
Cartography) yang terpasang pada The European Environmental Satellite ENVISAT
(http://www.oma.be/BIRA-IASB/Molecules/SO2archive/vs/month.php). Lokasi tempat
pengayaan adalah Sumatera pada 94,58
o
-109,08
o
BT: 6,21
o
LU-6,27
o
LS dan Jawa pada
104,54
o
-116,29
o
BT: 5,20
o
-8,95
o
LS. Pengayaan data total kolom SO
2
dalam satuan
Dobson (Dobson Unit, DU) dari bulan Januari 2004 hingga Desember 2008 dalam grid
0,25
o
0,25
o
atau sekitar 25 km25 km untuk rata-rata musiman yaitu musim DJF
(Desember-Januari-Februari); MAM (Maret-April-Mei); JJA (Juni-Juli-Agustus) dan
SON (September-Oktober-November). Selain itu dilakukan pengayaan data rata-rata
bulanan densitas kolom vertikal SO
2
dalam satuan Dobson (Dobson Unit, DU) dari
bulan Januari 2004 hingga Desember 2008 dalam grid 0,25
o
0,25
o
atau sekitar 25
km25 km. Selanjutnya dibuat kecenderungan total kolom SO
2
selama 2004-2009 di
Sumatera dan Jawa. Satuan Dobson adalah ketebalan lapisan 0,01 mm di atas
permukaan bumi pada pada tekanan standar 1013,25 hPa dan temperatur standar 0,0
o


Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


58

Celsius. Atau 1 Dobson Unit (DU) adalah 2,686710
20
molekul per meter
2
atau
4,461510
-04
mol per meter
2
.
Dengan menggunakan metode statistik SPSS Versi 7.5 (Santosa S., 2001) dibuat rata-
rata musiman yaitu musim DJF; MAM; JJA dan SON. Pembagian musim berdasarkan
perubahan musim di Indonesia terdiri dari musim hujan pada bulan-bulan DJF, kemarau
pada bulan-bulan JJA dan dua musim peralihan yaitu bulan-bulan MAM dan SON
(Tjasyono, 2004; Gregor and Nieuwolt, 1998).
Selanjutnya data total kolom SO
2
rata-rata musiman dipetakan menggunakan perangkat
lunak Arc View/GIS ver. 3.3 dengan resolusi 0,01
o
0,01
o
. Dan dari peta distribusi total
kolom SO
2
dengan perangkat lunak View/GIS ver. 3.3 dapat diberikan gambaran rata-
rata musiman total kolom SO
2
per-wilayah Kabupaten di Sumatera dan Jawa.

3. HASIL DAN DISKUSI
3.1 Total Kolom SO
2
Jawa
Gambar 2 dan Tabel 1 memperlihatkan distribusi konsentrasi total kolom SO
2
tinggi di
ujung Jawa Timur. Daerah dengan konsentrasi tinggi pada semua musim dibandingkan
dengan daerah lainnya adalah Bondowoso, Lumajang, Jember dan Banyuwangi. Di
wilayah yang tersebut ini terdapat gunung berapi seperti G. Kelut, G. Ijen, G. Raung,
Kaldera Tengger yang aktif mengepulkan asap belerang (sulfur) ke atmosfer. Pada
tahun 2007 banyak gunung berapi di Jawa Timur yang meletus seperti G. Kelud di
Blitar dekat Lumajang, Kaldera Tengger dekat Lumajang, G. Raung dekat Jember dan
Banyuwangi. Tahun 2008, Semeru meletus dan tentunya memberikan kontribusi gas
SO
2
dan aerosol di wilayah Malang, Lumajang dan Blitar. Pada tahun 2007, G. Kelud,
G. Raung dan G. Semeru di Jawa Timur meletus dari Agustus 2007 sampai awal 2008.
Demikian pula G. Krakatau di selat Sunda meletus sejak Oktober 2007 sampai awal
tahun 2008 dan Merapi di Yogyakarta Jawa Tengah yang juga meletus sejak tahun 2006
sampai 2007 masih mengepulkan asap. Hasil perhitungan Graf et al. (1977) dengan
menggunakan model iklim didapatkan bahwa gunung berapi menyumbangkan sulfur
global sekitar 4,5 kali dari pada emisi antropogenik, jadi lebih kecil dibandingkan emisi
antropogenik. Dengan rincian yaitu emisi sulfur dari antropogenik adalah 65,6% dan
dari gunung berapi sebesar 13,7% dari total sulfur global. Dan jumlah SO
2
dari emisi
gunung berapi yang disumbangkan ke atmosfer lebih kecil yaitu 1,3 kali emisi SO
2
dari
antropogenik global, yaitu dari emisi antropogenik sebesar 46,1 % dan dari gunung
berapi sebesar 34,9% dari total SO
2
global. Akibat letusan gunung berapi akan
diinjiksikan dalam jumlah besar gas-gas seperti SO
2
, H
2
O, H
2
S, CO
2
, HCl dan abu
vulkanik (terutama partikel silikat) ke stratosfer dan berdampak pada iklim global.


Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

59


Gambar 2. Total kolom SO
2
dalam Dobson Unit (DU) dari data SCIAMACHY pada
satelit ENVISAT periode 2004 sampai 2008 di Jawa

Nilai konsentrasi total kolom SO
2
terindikasi cukup tinggi yaitu 0,040-0,080 DU
(Gambar 2) di selat Sunda pada musim SON dan DJF akibat letusan G. Krakatau dan
berdampak pada kondisi konsentrasi di provinsi Lampung dan Banten juga Jakarta pada
musim tersebut cukup tinggi (Tabel 1). Hasil proyeksi Budiyono dan Samiaji (2009)
dengan software Rains Asia adalah peta emisi polutan dari pemakaian energi atau
sumber antropogenik, diperoleh bahwa dominan emisi SO
2
dan deposisi SOx terbesar
berada di wilayah pulau Jawa (Jawa Barat, Jawa Timur, Jawa Tengah), Sumatera Utara
dan Sulawesi Selatan. Dari Tabel 1 kota-kota yang bebas dari gunung berapi tetapi
mempunyai kepadatan tranportasi cukup tinggi ternyata mempunyai konsentrasi SO
2

tinggi dalam kisaran 0,070-0,090 DU pada musim DJF yaitu Kota Jakarta, Kota
Tangerang, Serang, Bekasi, Indramayu, Karawang, Kota Banjar, Banjarnegara, Batang,
Blora, Brebes, Cilacap, Demak, Kota Tegal, Kudus, Pemalang. Sedangkan kota-kota di
Jawa Timur dengan kepadatan transportasi tinggi mempunyai konsentrasi total kolom
SO
2
hampir dalam kisaran 0,100-0,200 DU seperti daerah Sidoarjo, Mojokerto,
Jombang, Pasuruan dan Probolinggo. Dua kota terakhir yaitu Pasuruan dan Probolinggo
mempunyai konsentrasi total kolom SO
2
cukup tinggi dibandingkan kota lainnya yaitu
0,210 DU dan 0,197 DU. Hal ini dipengaruhi oleh adanya gunung berapi yaitu gunung
Semeru, Kelut dan Bromo yang sangat aktif mengeluarkan gas SO
2
.


Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


60

Tabel 1. Konsentrasi rata-rata total kolom SO
2
musiman (DJF; MAM; JJA; SON)
berdasarkan lokasi dari data SCIAMACHY pada satelit ENVISAT periode 2004-2008 di
Jawa.

SO
2
(Dobson Unit) djf mam jja son
provinsi kabupaten Rata-rata Rata-rata Rata-rata Rata-rata
DU DU DU DU
BANTEN Kota Tangerang 0,108 0,066 0,051 0,102
Lebak 0,035 0,023 0,024 0,046
Pandeglang 0,042 0,029 0,026 0,048
Serang 0,079 0,070 0,056 0,079
DKI JAKARTA Kota Jakarta Utara 0,106 0,074 0,038 0,089
JAWA BARAT Bandung 0,066 0,040 0,011 0,065
Bekasi 0,086 0,060 0,023 0,058
Bogor 0,039 0,029 0,027 0,069
Ciamis 0,065 0,047 0,031 0,027
Cianjur 0,051 0,029 0,009 0,052
Cirebon 0,065 0,048 0,008 0,041
Garut 0,062 0,041 0,017 0,039
Indramayu 0,079 0,072 0,034 0,032
Karawang 0,079 0,043 0,030 0,041
Kota Bandung 0,056 0,037 0,014 0,046
Kota Banjar 0,074 0,045 0,014 0,068
Kota Depok 0,062 0,044 0,044 0,074
Kuningan 0,068 0,061 0,012 0,035
Majalengka 0,077 0,038 0,008 0,026
Purwakarta 0,064 0,030 0,028 0,051
Subang 0,079 0,046 0,020 0,040
Sukabumi 0,050 0,027 0,013 0,057
Sumedang 0,067 0,031 0,019 0,030
Tasikmalaya 0,061 0,047 0,016 0,046
D I YOGYAKARTA Bantul 0,054 0,069 0,027 0,071
Gunung Kidul 0,064 0,055 0,030 0,097
Kulon Progo 0,048 0,074 0,043 0,060
Sleman 0,056 0,059 0,022 0,072
BALI Badung 0,076 0,056 0,008 0,043
Bangli 0,053 0,034 0,027 0,071
Buleleng 0,086 0,026 0,048 0,026
Jembrana 0,125 0,102 0,069 0,105
Karang Asem 0,049 0,016 0,013 0,045
Tabanan 0,061 0,062 0,045 0,082
LAMPUNG Lampung Barat 0,044 0,032 0,012 0,038
Lampung Selatan 0,055 0,036 0,033 0,031
Lampung Timur 0,044 0,045 0,024 0,037
Tanggamus 0,059 0,020 0,009 0,032
JAWA TENGAH Banjarnegara 0,074 0,056 0,023 0,054
Banyumas 0,068 0,058 0,018 0,065

Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

61

Batang 0,077 0,045 0,030 0,018
Blora 0,103 0,054 0,028 0,067
Brebes 0,073 0,058 0,011 0,035
Cilacap 0,073 0,059 0,035 0,052
Demak 0,092 0,036 0,036 0,042
Grobogan 0,081 0,052 0,018 0,055
Karanganyar 0,046 0,065 0,041 0,097
Kebumen 0,055 0,047 0,018 0,070
Klaten 0,056 0,040 0,026 0,077
Kota Tegal 0,080 0,041 0,022 0,022
Kudus 0,091 0,032 0,024 0,030
Magelang 0,083 0,052 0,014 0,066
Pati 0,109 0,033 0,009 0,021
Pekalongan 0,077 0,053 0,028 0,034
Pemalang 0,092 0,058 0,021 0,037
Purbalingga 0,062 0,063 0,018 0,066
Purworejo 0,051 0,052 0,034 0,077
Rembang 0,093 0,033 0,010 0,032
Semarang 0,075 0,056 0,019 0,060
Sragen 0,086 0,077 0,029 0,120
Sukoharjo 0,040 0,047 0,034 0,087
Tegal 0,099 0,075 0,012 0,037
Temanggung 0,077 0,059 0,016 0,035
Wonogiri 0,042 0,046 0,033 0,092
Wonosobo 0,066 0,046 0,017 0,032
JAWA TIMUR Bangkalan 0,114 0,084 0,010 0,063
Banyuwangi 0,198 0,244 0,135 0,152
Blitar 0,103 0,081 0,058 0,157
Bojonegoro 0,113 0,064 0,027 0,068
Bondowoso 0,163 0,131 0,111 0,127
Jember 0,148 0,198 0,127 0,174
Jombang 0,165 0,129 0,097 0,188
Kediri 0,112 0,105 0,052 0,157
Lamongan 0,129 0,084 0,041 0,082
Lumajang 0,189 0,179 0,094 0,197
Madiun 0,100 0,098 0,051 0,111
Magetan 0,085 0,081 0,050 0,096
Malang 0,135 0,145 0,082 0,185
Mojokerto 0,138 0,081 0,052 0,117
Nganjuk 0,111 0,129 0,046 0,107
Ngawi 0,098 0,083 0,042 0,109
Pacitan 0,038 0,058 0,049 0,085
Pamekasan 0,105 0,061 0,021 0,045
Pasuruan 0,210 0,146 0,118 0,179
Ponorogo 0,051 0,051 0,048 0,091
Probolinggo 0,197 0,149 0,110 0,174
Sampang 0,094 0,064 0,020 0,051
Sidoarjo 0,171 0,081 0,048 0,103

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


62

Situbondo 0,167 0,132 0,100 0,114
Sumenep 0,064 0,027 0,017 0,025
Trenggalek 0,050 0,051 0,072 0,108
Tuban 0,106 0,056 0,018 0,051
Tulungagung 0,067 0,049 0,065 0,131


3.2 Total Kolom SO
2
Sumatera
Gambar 3 memperlihatkan konsentrasi rata-rata total kolom SO
2
dalam kisaran
0,04-0,08 DU pada musim DJF adalah lebih tinggi dan merata dibandingkan musim
lainnya di Sumatera selama periode 2004 sampai 2008. Dari distribusi spasial total
kolom SO
2
didapati nilai yang tinggi di provinsi Jambi (Gambar 3), tepatnya di
kabupaten Bungo dengan nilai berurutan dari musim DJF; MAM; JJA dan SON yaitu
0,090 DU; 0,060 DU; 0,051 DU dan 0,101 DU (Tabel 2). Provinsi Jambi adalah
wilayah yang mempunyai gunung berapi aktif seperti Dempo dan Kaba yang
mengeluarkan gas SO
2
ke atmosfer. Selain itu juga kabupaten-kabupaten Pariaman,
Pesisiran Selatan Sawahlunto, Solok dan Tanah Datar pada musim DJF dan SON
mempunyai konsentrasi total SO
2
yang tinggi dalam kisaran 0,06-0,09 DU. Kabupaten-
kabupaten tersebut terletak di sepanjang pesisir yang menghadap lautan Hindia dengan
gunung berapi sebagi sumber alamiah dari SO
2
seperti Tandikat, Talang, Merapi,
Sumbing dan Kerinci di Sumatera Barat; Dempo dan Kaba di Jambi; Gunung Besar dan
Sueh di Sumatera Selatan. Pengaruh adanya gunung berapi di Sumatera cukup dominan
terhadap konsentrasi total kolom SO
2
dibandingkan sumber transportasi dan industri.
Kota Medan terbilang kota dengan tingkat transportasi tinggi, ternyata
mempunyai konsentrasi rata-rata total kolom SO
2
adalah 0,046 DU> 0,043 DU> 0,031
DU> 0,03 DU dari musim SON>DJF>MAM>JJA. Dan berdasarkan pengukuran
kualitas udara oleh Kementrian Lingkungan Hidup (KLH) tahun 2002 menunjukkan,
kualitas udara di Jakarta, Surabaya, Bandung, dan Medan berada dalam kategori baik
hanya terjadi 22-62 hari dalam setahun. Buruknya kondisi udara di kota-kota tersebut
lebih disebabkan oleh pencemaran udara dari kendaraan bermotor, sebagai sumber
bergerak (Lab. Smart Systems Tech - UI, 2003).


Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

63


Gambar 3. Rata-rata total kolom SO
2
dalam Dobson Unit (DU) dari data SCIAMACHY
pada satelit ENVISAT berdasarkan musim DJF, MAM, JJA dan SON periode 2004
sampai 2008 di Sumatera





Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


64

Tabel 2. Konsentrasi rata-rata total kolom SO
2
musiman (DJF; MAM; JJA; SON)
berdasarkan lokasi dari data SCIAMACHY pada satelit ENVISAT periode 2004-2008 di
Sumatera.

SO
2
(Dobson Unit) djf mam jja son
provinsi kabupaten
Rata-rata Rata-rata Rata-rata Rata-rata
DU DU DU DU
NANGGROE
ACEH
DARUSSALAM
Aceh Barat 0,026 0,017 0,018 0,021
Aceh Barat Daya 0,027 0,017 0,018 0,017
Aceh Besar 0,031 0,021 0,018 0,032
Aceh Jaya 0,026 0,016 0,013 0,023
Aceh Selatan 0,043 0,028 0,009 0,038
Aceh Singkil 0,050 0,028 0,016 0,020
Aceh Tamiang 0,032 0,033 0,024 0,024
Aceh Tengah 0,045 0,035 0,012 0,026
Aceh Tenggara 0,028 0,017 0,016 0,041
Aceh Timur 0,044 0,051 0,014 0,029
Aceh Utara 0,032 0,045 0,016 0,033
Bireuen 0,050 0,033 0,026 0,038
Gayo Lues 0,018 0,021 0,024 0,031
Nagan Raya 0,032 0,021 0,015 0,016
Pidie 0,027 0,027 0,013 0,029
Simeulue 0,051 0,028 0,021 0,029
SUMATERA
UTARA
Asahan 0,043 0,035 0,031 0,042
Dairi 0,054 0,033 0,027 0,044
Deli Serdang 0,039 0,031 0,030 0,042
Humbang Hasundutan 0,043 0,027 0,017 0,036
Karo 0,026 0,030 0,031 0,034
Kota Medan 0,050 0,033 0,025 0,052
Labuhan Batu 0,047 0,041 0,031 0,045
Langkat 0,025 0,021 0,024 0,033
Mandailing Natal 0,034 0,052 0,022 0,046
Nias 0,024 0,022 0,015 0,037
Nias Selatan 0,043 0,024 0,005 0,033
Pakpak Bharat 0,059 0,027 0,025 0,025
Simalungun 0,030 0,042 0,035 0,040
Tapanuli Selatan 0,044 0,035 0,017 0,050
Tapanuli Tengah 0,036 0,031 0,012 0,034
Tapanuli Utara 0,043 0,030 0,017 0,050
Toba Samosir 0,044 0,046 0,027 0,045
RIAU Bengkalis 0,047 0,063 0,028 0,055
Indragiri Hilir 0,038 0,044 0,020 0,050
Indragiri Hulu 0,045 0,043 0,026 0,049
Kampar 0,042 0,039 0,010 0,047
Karimun 0,072 0,076 0,044 0,058
Kep.RIAU Kepulauan Riau 0,038 0,037 0,025 0,040
Kota Batam 0,040 0,081 0,036 0,061

Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

65

Kota Dumai 0,058 0,046 0,032 0,050
Kuantan Singingi 0,052 0,032 0,023 0,054
Natuna 0,018 0,014 0,013 0,031
Pelalawan 0,044 0,041 0,014 0,047
Rokan Hilir 0,046 0,043 0,022 0,047
Rokan Hulu 0,043 0,041 0,017 0,055
Siak 0,051 0,062 0,024 0,047
SUMATERA
BARAT
Agam 0,088 0,035 0,010 0,057
Kepulauan Mentawai 0,036 0,032 0,012 0,028
Kota Padang 0,050 0,029 0,029 0,057
Kota Pariaman 0,040 0,036 0,023 0,051
Lima Puluh Kota 0,062 0,028 0,011 0,035
Padang Pariaman 0,077 0,039 0,017 0,063
Pasaman 0,053 0,022 0,012 0,037
Pesisir Selatan 0,070 0,064 0,043 0,076
Sawahlunto Sijunjung 0,067 0,042 0,027 0,053
Solok 0,081 0,063 0,042 0,095
Tanah Datar 0,091 0,059 0,023 0,064
SUMATERA
SELATAN
Banyuasin 0,038 0,028 0,021 0,045
Kota Palembang 0,038 0,011 0,011 0,041
Lahat 0,041 0,027 0,013 0,028
Muara Enim 0,045 0,035 0,004 0,050
Musi Banyuasin 0,055 0,027 0,015 0,046
Musi Rawas 0,045 0,030 0,011 0,051
Ogan Komering Ilir 0,049 0,023 0,012 0,046
Ogan Komering Ulu 0,034 0,031 0,012 0,049
BENGKULU Bengkulu Selatan 0,037 0,029 0,001 0,045
Bengkulu Utara 0,037 0,044 0,009 0,033
Kaur 0,038 0,027 0,012 0,047
Mukomuko 0,038 0,034 0,004 0,034
Rejang Lebong 0,039 0,028 0,011 0,041
Seluma 0,032 0,025 0,010 0,014
JAMBI Batanghari 0,061 0,029 0,013 0,059
Bungo 0,090 0,060 0,051 0,101
Kerinci 0,070 0,058 0,046 0,065
Kota Jambi 0,054 0,012 0,014 0,028
Merangin 0,058 0,035 0,034 0,059
Muaro Jambi 0,060 0,033 0,007 0,048
Sarolangun 0,047 0,026 0,021 0,050
Tanjung Jabung Barat 0,059 0,035 0,022 0,058
Tanjung Jabung
Timur
0,058 0,035 0,015 0,046
Tebo 0,073 0,055 0,028 0,057
KEP. BANGKA
BELITUNG
Bangka 0,030 0,031 0,008 0,032
Bangka Barat 0,036 0,029 0,013 0,030
Bangka Selatan 0,037 0,030 0,013 0,037
Bangka Tengah 0,029 0,038 0,016 0,026
Belitung 0,028 0,022 0,021 0,043

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


66

y = -7E-06x + 0,333
R = 0,028
0,000
0,020
0,040
0,060
0,080
0,100
0,120
J
a
n
-
0
4
M
a
r
-
0
4
M
e
i
-
0
4
J
u
l
-
0
4
S
e
p
-
0
4
N
o
p
-
0
4
J
a
n
-
0
5
M
a
r
-
0
5
M
e
i
-
0
5
J
u
l
-
0
5
S
e
p
-
0
5
N
o
p
-
0
5
J
a
n
-
0
6
M
a
r
-
0
6
M
e
i
-
0
6
J
u
l
-
0
6
S
e
p
-
0
6
N
o
p
-
0
6
J
a
n
-
0
7
M
a
r
-
0
7
M
e
i
-
0
7
J
u
l
-
0
7
S
e
p
-
0
7
N
o
p
-
0
7
J
a
n
-
0
8
M
a
r
-
0
8
M
e
i
-
0
8
J
u
l
-
0
8
S
e
p
-
0
8
N
o
p
-
0
8
S
O
2
(
D
U
)
Bulan
a)Tren rata2 bulanan SO
2
Sciamachy utk wilayah JawaBali
y = -6E-06x + 0,279
R = 0,053
0,000
0,010
0,020
0,030
0,040
0,050
0,060
0,070
J
a
n
-
0
4
M
a
r
-
0
4
M
e
i
-
0
4
J
u
l
-
0
4
S
e
p
-
0
4
N
o
p
-
0
4
J
a
n
-
0
5
M
a
r
-
0
5
M
e
i
-
0
5
J
u
l
-
0
5
S
e
p
-
0
5
N
o
p
-
0
5
J
a
n
-
0
6
M
a
r
-
0
6
M
e
i
-
0
6
J
u
l
-
0
6
S
e
p
-
0
6
N
o
p
-
0
6
J
a
n
-
0
7
M
a
r
-
0
7
M
e
i
-
0
7
J
u
l
-
0
7
S
e
p
-
0
7
N
o
p
-
0
7
J
a
n
-
0
8
M
a
r
-
0
8
M
e
i
-
0
8
J
u
l
-
0
8
S
e
p
-
0
8
N
o
p
-
0
8
S
O
2
(
D
U
)
Bulan
b)Tren rata2 bulanan SO
2
Sciamachy utk wilayah Sumatera
Belitung Timur 0,026 0,010 0,013 0,027
LAMPUNG Lampung Barat 0,045 0,033 0,014 0,047
Lampung Selatan 0,055 0,036 0,033 0,031
Lampung Tengah 0,048 0,029 0,017 0,048
Lampung Timur 0,039 0,041 0,021 0,040
Lampung Utara 0,034 0,038 0,021 0,039
Tanggamus 0,056 0,021 0,012 0,034
Tulang Bawang 0,036 0,029 0,011 0,042
Way Kanan 0,031 0,039 0,014 0,045

3.3 Trend Total Kolom SO
2

Trend rata-rata bulanan total kolom SO
2
terlihat menurun dari 2004 sampai 2008 baik
di Jawa-Bali maupun Sumatera (Gambar 4). Untuk Jawa-Bali terdapat penurunan
sekitar 7x10
-6
DU per bulan dan Sumatera terdapat penurunan sekitar 6x10
-6
DU per
bulan hampir sama dengan Jawa-Bali. Pola variabilitas bulanannya adalah minimum
pada bulan-bulan JJA dan maksimum di bulan-bulan DJF dan SON.

Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

67

0,000
0,010
0,020
0,030
0,040
0,050
0,060
0,070
0,080
0,090
0,100
DJF MAM JJA SON
T
o
t
a
l

K
o
l
o
m

S
O
2
(
D
U
)
Musim
Jawa
Sumatera
Gambar 4. Trend total kolom SO
2
dalam Dobson Unit (DU) dari data SCIAMACHY pada
satelit ENVISAT periode 2004 sampai 2008 di Jawa-Bali (a) dan Sumatera (b)
Gambar 4 memperlihatkan nilai rata-rata musimam total kolom SO
2
dalam Dobson Unit
(DU) di Jawa lebih tinggi dibandingkan Sumatera untuk semua musim. Rata-rata
musimam total kolom SO
2
Jawa adalah 0,088 > 0,076 > 0,067 > 0,037 DU berurutan
dari DJF >SON >MAM> JJA. Sedangkan di Sumatera berurutan dari DJF > SON >
MAM > JJA adalah 0,045 > 0,043 > 0,035 > 0,019 DU. Perbedaan rata-rata musimam
total kolom SO
2
Jawa dan Sumatera disebabkan oleh penggunaan bahan bakar fosil
untuk transportasi dan industri yang lebih rendah.
Gambar 5. Rata-rata musimam total kolom SO
2
dalam Dobson Unit (DU) dari data
SCIAMACHY pada satelit ENVISAT periode 2004 sampai 2008 di Jawa dan Sumatera

4. KESIMPULAN
Rata-rata musimam total kolom SO
2
Jawa adalah 0,088 > 0,076 > 0,067 > 0,037 DU
berurutan dari DJF > SON > MAM > JJA. Sedangkan di Sumatera berurutan dari DJF
> SON > MAM > JJA adalah 0,045 > 0,043 > 0,035 > 0,019 DU. Perbedaan rata-rata
musimam total kolom SO
2
Jawa dan Sumatera disebabkan oleh penggunaan bahan
bakar fosil untuk transportasi dan industri yang lebih rendah. Pengaruh gunung berapi
dimana mereka berada akan menyumbangkan emisi SO
2
lebih besar dibandingkan dari
aktivitas manusia baik di Jawa maupun Sumatera. Dan tentunya wilayah-wilayah di
Jawa dan Sumatera yang mempunyai gunung berapi berpotensi berpotensi
mengakibatkan deposisi asam disamping daerah perkotaan yang padat transportasi.

DAFTAR REFERENSI
Budiyono A. dan Samiaji T., 2009, Proyeksi Emisi Polutan, Deposisi SOx dan Konsentrasi SO
2

dari Pemakaian Energi, Seminar Nasional Proyeksi Iklim dan Kualitas Udara 2010-2014;
LAPAN, Bandung 27-28 Juli 2009.
Global Volcanism Programme (GVP), 2008, http://www.volcano.si.edu

Tuti Budiwati dan Wiwiek Setyawati
Bunga Rampai Penginderaan J auh Indonesia, 2011


68

Graf H.-F., J. Feichter, and Langmann B., 1997, Volcanic Sulfur Emissions: Estimates of Source
Strength and its Contribution to the Global Sulfate Distribution, Journal of Geophysical
Research, 102, 10727-10738.
KNLH, 2008, Status Lingkungan Hidup Indonesia 2007, Kementerian Negara Lingkungan
Hidup, Jakarta, hal.16-17.
Lab. Smart Systems Tech - UI, 2003, Mengatasi Pencemaran Udara dengan EURO 2, 21-
Oktober-2003; 20:16, Indeks Standar Pencemaran Udara, http://lab-
sst.fisika.ui.ac.id/ISPU/211020032016.htm, hal.1.
Meszaros, E., 1981, Atmospheric Chemistry (Fundamental Aspects), Elsevier Scientific
Publishing Company Amsterdam Oxford New York, Studies in Environment Science,
Vol. II pp. 48-49.
Mc. Gregor G.R. and Nieuwolt S., 1998, Tropical Climatology: An Introduction To The
Climates Of The Low Latitudes, second edition, John Wiley & Sons, pp. 125-133.
Santosa S., 2001, SPSS Mengolah Data Statistik Secara Profesional Versi 7.5, Penerbit PT Elex
Media Komputindo Kelompok Gramedia-Jakarta, 217-254.
Seinfeld J.H. and Pandis S.N., 1998, Atmospheric Chemistry and Physics from Air Pollution to
Climate Change, John Wiley and Sons. INC., New York, hal.1030-1033.
Tjasyono B. H.K, 2004, Klimatologi (Edisi 2), Penerbit ITB, ISBN 979-3507-05-5, hal. 3.
Textor C., Graf H.-F., Herzog M., and Oberhuber J. M., 2003, Injection of Gases into The
Stratosphere by Explosive, accepted for publication by Journal of Geophysical Research.

BIOGRAFI PENULIS
Tuti Budiwati
Tuti Budiwati mendapatkan Sarjana Teknik Kimia di ITS tahun
1985. Mulai bekerja di Lembaga Penerbangan dan Antariksa
Nasional Bandung sejak Oktober 1986 dan mendalami kimia
atmosfer. Tahun 1988 sampai 1989 selama satu tahun ikut
Program trainining STMDP di Saitama University dalam studi
kimia atmosfer. Pendidikan S2 diperoleh di Fakultas Teknik
Jurusan Teknik Lingkungan-Hokkaido University, Sapporo Japan
tahun 1996.
Penelitian: Hujan asam, kimia atmosfer, aerosol, dan radiasi
matahari

Fungsional : Peneliti Madya, Ilmu Pengetahuan Atmosfer
- Kecenderungan SO
4
2-
dan NO
3
-
Dalam Air Hujan di Jawa.
- Karakteristik Kimia Aerosol Atmosfer di Jakarta.
- Pengaruh Ozon Terhadap Hujan Asam di Bandung.
Variabilitas koefisien pencucian dari sulfat, nitrat, amonium dan sodium aerosol di
Kototabang dan Jakarta.

Analisis Total Kolom SO
2
di Sumatera dan Jawa Periode 2004-2008 Hasil Observasi Schiamacy
Bunga Rampai Penginderaan J auh Indonesia, 2011

69

Wiwiek Setyawati
Wiwiek Setyawati mendapatkan Sarjana Teknik Kimia dari
Sheffield University, Inggris tahun 1998. Mulai aktif bekerja di
Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
Bandung sejak tahun 2000 di Bidang Pengkajian Ozon dan
Polusi Udara yang sejak tahun 2010 berganti nama menjadi
Bidang Komposisi Atmosfer. Tahun 2007 mendapatkan gelar
Master Teknik Lingkungan dari ITB. Jabatan Fungsional saat ini
adalah Peneliti Muda pada bidang Sains Atmosfer dan
Lingkungannya dengan fokus penelitian polusi udara, aerosol
dan Gas Rumah Kaca (GRK).
- Konsentrasi Logam Timah Hitam (Pb) dan Total Suspended Partikulat Matter (TSP)
di Udara Ambien Kota Bandung dan Ciater.
- Pengaruh Kebakaran Hutan Terhadap Peningkatan Aerosol di Atmosfer Indonesia
2005-2008.
- Pengaruh Gas-gas Rumah Kaca dan aerosol terhadap temperatur di Stratosfer dan
Mesosfer Hasil Pengamatan HALOE.
Seasonal characteristics of nitric oxide and water vapor over Indonesia's region and
their influence to stratospheric ozone as observed by HALOE

70

Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida di Indonesia




Novita Ambarsari
(1)
, Ninong Komala
(2)

(1) (2)
Pusat Pemanfaatan Sains Atmosfer dan Iklim
Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
Jl. Dr. Junjunan no. 133 Bandung 40173
Email :
(1)
novitaambar@yahoo.com,
(2)
novita@bdg.lapan.go.id

Abstrak
Karbon monoksida (CO) merupakan salah satu pencemar yang terdistribusi paling luas
di udara. Di daerah dengan populasi tinggi, rasio mixing CO bisa mencapai 1 hingga 10
ppmv. Sumber gas CO sebagian besar berasal dari pembakaran bahan bakar fosil yang
bereaksi dengan udara menghasilkan gas buangan, salah satunya adalah karbon
monoksida. Daerah dengan tingkat populasi yang tinggi dengan jalur lalu lintas yang
padat akan memiliki kadar CO yang lebih tinggi dibandingkan dengan daerah pedesaan.
Gas CO juga berasal dari proses industri dan secara alami gas CO terbentuk dari proses
meletusnya gunung berapi, proses biologi, dan oksidasi hidrokarbon seperti metana
yang berasal dari tanah basah dan kotoran mahluk hidup. Selain itu, secara alami CO
juga diemisikan dari laut, vegetasi, dan tanah. Penelitian ini bertujuan untuk
mengetahui variasi konsentrasi CO di Indonesia secara spasial dan temporal. Data yang
digunakan adalah data CO rata-rata bulan tahun 2002-2009 hasil pengukuran instrumen
Atmospheric Infra Red Sounder (AIRS) yang ditempatkan pada satelit Aqua milik
NASA. Metode analisis yang digunakan adalah analisis spasial dan time series untuk
mengetahui variasi berdasarkan lokasi, trend sepanjang tahun pengukuran, variasi
bulanan, dan variasi musiman. Hasil yang ingin dicapai adalah diperolehnya kondisi
CO di wilayah Indonesia dari tahun ke tahun dan di lokasi dengan konsentrasi CO yang
cenderung lebih tinggi dibandingkan yang lain untuk diketahui perubahannya.
Penelitian ini bermanfaat untuk monitoring kualitas udara dan mengetahui status polusi
udara di Indonesia yang dapat dijadikan masukan untuk membuat kebijakan
pengurangan tingkat polusi udara di Indonesia.
Kata kunci : karbon monoksida, polusi udara, AIRS, AQUA

Abstract
Carbon monoxide (CO) is one of the most widely distributed pollutants in the air. In
areas with high populations, mixing ratio of CO can reach a maximum of 10 ppmv.
Source of CO mostly comes from fossil fuels burning that react with air to produce
exhaust gases, one of which is carbon monoxide. Areas with high population levels with
heavy traffic will have higher CO levels compared with rural areas. CO also comes
from industrial processes and CO formed naturally from volcanic eruption processes,

Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida diIndonesia
Bunga Rampai Penginderaan J auh Indonesia, 2011

71

biological processes, and oxidation of hydrocarbons such as methane from wet soil and
dung of creatures. In addition, CO is also emitted naturally from the sea, vegetation,
and soil. This study aims to determine the concentration of CO in Indonesia variation in
spatial and temporal. The data used is the average CO data in the year 2002-2009 from
the measurement of Infra Red Atmospheric Sounder (airs) instruments that are placed
on NASA's Aqua satellite. Analytical methods used are spatial and time series analysis
to find variations based on location, the measurement of trends throughout the year,
monthly variations, and seasonal variations. Results to be achieved is gained on
Indonesian territory CO condition from year to year and in locations with a
concentration of CO which tended to be higher than the others to note the changes.
This research is useful for monitoring air quality and find out the status of air pollution
in Indonesia, which can be used as inputs for making policy reduction of air pollution
levels in Indonesia.
Keywords : carbon monoxide, air pollution, AIRS, AQUA

1. PENDAHULUAN
Karbon monoksida merupakan salah satu polutan yang terdistribusi paling luas di
udara. Setiap tahun, CO dilepaskan ke udara dalam jumlah yang paling banyak diantara
polutan udara yang lain, kecuali CO
2
. Di daerah dengan populasi tinggi, rasio mixing
CO bisa mencapai 1 hingga 10 ppmv (Coll, 2006).
Sekitar 70 % radikal OH di atmosfer bereaksi dengan CO. Oleh karena itu, konsentrasi
CO berpengaruh besar terhadap keberadaan radikal OH. Radikal OH berperan utama
sebagai agen pembersih atmosfer untuk menghilangkan polutan udara atau gas rumah
kaca terutama metana dari atmosfer (Henne, 2007). Perubahan CO menjadi senyawa
lain di atmosfer diperkirakan berhubungan dengan terjadinya perubahan iklim, karena
CO diketahui berperan penting dalam pengendalian jumlah radikal OH di atmosfer
(Coll, 2006).
Oksidasi karbon monoksida secara tidak langsung juga dapat berpengaruh terhadap
energi radiasi berkaitan dengan terbentuknya karbon dioksida dan ozon troposfer.
Berkaitan dengan reaksi fotokimia yang lambat, CO diketahui mempunyai peranan
penting dalam siklus pembentukan O
3
terutama dalam skala yang luas di atmosfer
bebas, sedangkan VOCs mempunyai peranan penting dalam pembentukan O
3
pada
skala lokal (Coll, 2006).
Sumber utama CO berasal dari proses pembakaran tidak sempurna pada bahan bakar
minyak, pembakaran biomasa, dan proses oksidasi fotokimia pada metana dan
hidrokarbon lainnya di atmosfer. Sumber utama CO berasal dari wilayah daratan yang
memiliki faktor terpenting sumber CO yaitu emisi antropogenik dan pembakaran
biomassa di musim-musim kering/ kemarau di wilayah tropis dan pada periode hangat
di wilayah lintang tinggi. Oksidasi fotokimia metana dan hidrokarbon menjadi sumber
penting CO di daerah lintang tropis begitu juga untuk daerah lintang tinggi di musim
panas. Penyebab utama terurainya CO adalah akibat reaksi dengan radikal OH yang
memicu pembentukan CO
2
dan perusakan ozon. Pada kondisi daerah yang terpolusi,

Novita Ambarsari dan Ninong Komala
Bunga Rampai Penginderaan J auh Indonesia, 2011


72

nitrogen oxida dapat menjadi penyebab terurainya CO yang memicu pembentukan CO
2

dan ozon (Makarova, et al., 2003).
Berbagai teknologi pengukuran karbon monoksida berbasis penginderaan jauh maupun
pengukuran insitu menghasilkan data pengamatan yang rutin untuk mengetahui
perubahan konsentrasi CO di atmosfer secara spasial maupun temporal

(Clerbaux, et
al., 2008). Pada masa lalu, konsentrasi CO di atmosfer hanya bisa diukur dengan
instrumen yang ditempatkan pada beberapa lokasi pengamatan yang terpisah-pisah dan
pengukuran dengan pesawat terbang. Saat ini, berbagai instrumen yang ditempatkan
pada satelit pengorbit polar untuk mengamati amosfer telah meningkatkan kemampuan
untuk mengetahui pengaruh dari aktivitas manusia maupun alam terhadap perubahan
komposisi atmosfer (Barret, et al., 2005).
Pada penelitian ini telah dilakukan analisis spasial dan temporal total kolom karbon
monoksida (CO) di Indonesia dengan menggunakan data-data hasil observasi instrumen
Atmospheric Infra Red Sounder (AIRS) dari satelit Aqua untuk waktu pengukuran
bulan September 2002 sampai dengan Desember 2009. Penelitian ini bertujuan untuk
mengetahui perubahan (kecenderungan) dan distribusi konsentrasi CO di Indonesia.

2. METODE PENELITIAN
Data yang digunakan pada penelitian ini merupakan data total kolom CO (10E
18

molekul/cm
2
) di wilayah Indonesia (6 LU 11 LS dan 95 BT-145 BT) hasil
observasi Atmospheric Infra Red Sounder (AIRS) dari satelit Aqua. Data yang
diperoleh merupakan data rata-rata bulan yang diunduh dari website resmi NASA
(http://gdata1.sci.gsfc.nasa.gov/daac-bin/G3/gui.cgi?instance_id=AIRS_Level3Month)
dengan grid 1 derajat x 1 derajat.
Data bulanan diolah menjadi data rata-rata musiman (Desember-Januari-Februari,
Maret-April-Mei, Juni-Juli-Agustus, dan September-Oktober-November) untuk
dianalisis pengaruh musim terhadap konsentrasi CO dan distribusi CO musiman di
Indonesia (analisis spasial) serta standar deviasinya. Data bulanan diolah juga menjadi
data trend dan variasi tahunan konsentrasi CO di Indonesia (analisis time series) untuk
mengetahui kecenderungan perubahan konsentrasi CO dan karakteristik kenaikan dan
penurunan serta faktor-faktor yang kemungkinan berpengaruh terhadap konsentrasi CO
di Indonesia.
Atmospheric Infra Red Sounder (AIRS) merupakan suatu instrumen yang ditempatkan
pada sistem observasi bumi ke 2, satelit pengorbit polar EOS Aqua. Kombinasi antara
AIRS dengan Advanced Microwave Sounding Unit (AMSU) dan Humidity Sounder for
Brazil (HSB), AIRS menjadi grup sensor sounding atmosfer untuk sinar tampak, infra
merah, dan gelombang radio [AIRS brosure]. Karakteristik instrumen AIRS secara
lebih lengkap ditunjukkan pada Gambar 1.


Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida diIndonesia
Bunga Rampai Penginderaan J auh Indonesia, 2011

73


Gambar 1. Karakteristik AIRS (Sumber : Atmospheric Infra Red Sounder Brosures)


3. HASIL DAN PEMBAHASAN
3.1. Variasi spasial total kolom CO
Distribusi spasial total kolom CO di Indonesia ditunjukkan pada gambar 2 berikut ini.

(a) (b)

Novita Ambarsari dan Ninong Komala
Bunga Rampai Penginderaan J auh Indonesia, 2011


74


(c) (d)
Gambar 2. Distribusi spasial total kolom CO di Indonesia dari AIRS untuk bulan (a)
Desember-Januari-Februari (DJF), (b) Maret-April-Mei (MAM), (c) Juni-Juli-Agustus
(JJA), (d) September-Oktober-November (SON)

Gambar 2 menunjukkan distribusi spasial total kolom CO di Indonesia untuk bulan
Desember-Januari-Februari (DJF), Maret-April-Mei (MAM), Juni-Juli-Agustus (JJA)
tahun 2003-2009 dan bulan September-Oktober-November (SON) tahun 2002-2009.
Pada gambar terlihat distribusi CO dominan di wilayah Indonesia bagian barat terutama
Pulau Jawa, Sumatera, dan Kalimantan. Variasi distribusi CO di Indonesia untuk bulan
DJF tahun 2003-3009 adalah 1,3x10
18
hingga 2,1 x10
18
molekul/cm
2
.
Variasi distribusi CO untuk bulan MAM tahun 2003-2009 adalah 1,2x10
18
hingga
2,0x10
18
molekul/cm
2
. Variasi distribusi CO bulan JJA tahun 2003-2009 adalah
1,1x10
18
hingga 1,9x10
18
molekul/cm
2
, dan variasi distribusi CO untuk bulan SON
tahun 2002-2009 adalah 1,3x10
18
molekul/cm
2
(Atmospheric Infra Red Sounder
Brosures) (Barret & Hurtmans, 2005) hingga 2,4x
10
molekul/cm
2
. Rata-rata konsentrasi
CO bulan DJF, MAM, JJA tahun 2003-2009 masing-masing adalah 1,87x10
18

molekul/cm
2
; 1,79x10
18
molekul/cm
2
, dan 1.69x10
18
molekul/cm
2
. Rata-rata konsentrasi
CO bulan SON tahun 2002-2009 adalah 1.961 x10
18
molekul/cm
2
.
Distribusi CO maksimum pada bulan SON (September-Oktober-November) terlihat
dari variasi dan rata-rata konsentrasi CO di bulan SON terutama di Sumatera dan
Kalimantan, sedangkan distribusi CO minimum pada bulan JJA (Juni-Juli-Agustus).
Hal ini disebabkan pada bulan Oktober tahun 2002, 2004, dan 2006 di Indonesia terjadi
kekeringan panjang dan kebakaran hutan yang menyebabkan konsentrasi CO
mengalami peningkatan sangat tajam (gambar 3) dengan total kolom mencapai 4,8x10
18

molekul/cm
2
pada bulan Oktober tahun 2006 di wilayah Kalimantan dan Sumatera
(Mc. Millan, et al.).

Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida diIndonesia
Bunga Rampai Penginderaan J auh Indonesia, 2011

75



Gambar 3. Distribusi CO di Indonesia untuk bulan Oktober tahun 2002, 2004, dan 2006
dari AIRS.
Peristiwa kekeringan ditandai dengan nilai curah hujan yang mengalami anomali yang
dapat dilihat dari nilai Southern Oscillation Index (SOI) dan nilai curah hujan
(mm/hari) yang negatif (gambar 4). Dengan jumlah curah hujan yang sangat sedikit
menyebabkan jumlah radikal OH yang berasal dari uap air di atmosfer menurun.
Akibatnya, konsentrasi CO meningkat.

Gambar 4. Curah hujan di Indonesia (mm/hari) yang memiliki pola yang sama dengan
SOI di Indonesia (kiri). Anomali curah hujan dan SOI yang menunjukkan nilai negatif
pada tahun 2002, 2004, dan 2006 yang menandakan terjadinya kekeringan saat tersebut
(Sumber: Mc. Millan, et al.)

Novita Ambarsari dan Ninong Komala
Bunga Rampai Penginderaan J auh Indonesia, 2011


76

Standar deviasi distribusi spasial total kolom CO di Indonesia ditunjukkan pada
Gambar 5 berikut ini.

(a) (b)

(c) (d)
Gambar 5. Standar deviasi distribusi spasial total kolom CO di Indonesia untuk bulan (a)
Desember-Januari-Februari (DJF), (b) Maret-April-Mei (MAM), (c) Juni-Juli-Agustus
(JJA), (d) September-Oktober-November (SO).
Standar deviasi konsentrasi CO di Indonesia untuk bulan DJF, MAM, JJA tahun 2003-
2009 memiliki variasi nilai antara 0,01-0,15 x 10
18
. Standar deviasi maksimum terjadi
pada bulan SON dengan nilai mencapai 0,6x10
18
molekul/cm
2
terutama di Pulau
Kalimantan dan Sumatera. Hal ini disebabkan peristiwa kekeringan pada tahun 2002,
2004, dan 2006.
3.2 Variasi temporal total kolom CO
Kecenderungan CO di Indonesia dari September 2002 hingga desember 2009
ditunjukkan pada Gambar 6. CO di Indonesia cenderung mengalami penurunan dengan
nilai -0,0014 molekul/cm
2
per bulannya. Nilai maksimum total kolom CO terjadi pada
tahun 2006 akibat kejadian kebakaran hutan yang besar di akhir tahun 2006.

Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida diIndonesia
Bunga Rampai Penginderaan J auh Indonesia, 2011

77

Konsentrasi total kolom CO di Indonesia dari tahun 2002 sampai 2009 berkisar antara
1,6 hingga 2,8 x 10
18
molekul/cm
2
.

Gambar 6. Trend CO di Indonesia dari September 2002 hingga Desember 2009
Variasi tahunan total kolom CO di Indonesia tampak pada Gambar 7. Nilai maksimum
terjadi pada bulan Oktober tahun 2006, 2004, dan 2002.

Gambar 7. Variasi tahunan CO di Indonesia dari September 2002 hingga Desember 2009
Nilai maksimum pada Oktober 2006 mencapai 2,8 x 10
18
molekul/cm
2
, nilai maksimum
pada bulan Oktober 2004 mencapai 2,2 x 10
18
molekul/cm
2
, dan nilai maksimum pada
bulan Oktober 2002 mencapai 2,4 x 10
18
molekul/cm
2
. Konsentrasi CO yang memiliki
pola selalu maksimum di bulan Oktober ini diperkirakan berkaitan dengan Southern
Oscillation Index (SOI) di bulan Oktober yang diperoleh dengan mengurangi curah
hujan pada bulan Oktober tahun saat terjadinya anomali dengan nilai rata-rata curah
hujan di bulan Oktober selama 10 tahun (Mc. Millan, et al.)
Variasi musiman total kolom CO di Indonesia dari September 2002 hingga Desember
2009 tampak pada Gambar 8. Nilai maksimum CO di bulan SON setiap tahunnya
semakin jelas tampak pada Gambar 8. Pada Gambar 8 kiri terlihat pola konsentrasi CO

Novita Ambarsari dan Ninong Komala
Bunga Rampai Penginderaan J auh Indonesia, 2011


78

pada bulan SON lebih tinggi daripada pola CO pada musim lainnya khususnya pada
tahun 2002, 2004 dan 2006. Begitu juga pada Gambar 8 kanan yang menunjukkan CO
maksimum pada SON tahun 2006. Pola CO yang selalu maksimum di musim tersebut
kemungkinan besar memang terkait dengan peristiwa kekeringan dan fenomena SOI di
bulan Oktober.

Gambar 8. Variasi musiman CO di Indonesia dari September 2002 hingga Desember
2009. Variasi permusim (kiri), variasi pertahun (kanan).

4. KESIMPULAN
Dari data September 2002-Desember 2009 dipeoleh hasil bahwa distribusi CO dominan
di wilayah Indonesia bagian barat terutama Pulau Jawa, Sumatera, dan Kalimantan.
Variasi distribusi CO di Indonesia untuk bulan DJF tahun 2003-3009 adalah 1,3x10
18
hingga 2,1 x10
18
molekul/cm
2
. Untuk bulan MAM tahun 2003-2009 adalah 1,2x10
18

hingga 2,0x10
18
molekul/cm2. Variasi distribusi CO bulan JJA tahun 2003-2009 adalah
1,1x10
18
hingga 1,9x10
18
molekul/cm
2
, dan variasi distribusi CO untuk bulan SON
tahun 2002-2009 adalah 1,3x10
18
molekul/cm
2
hingga 2,4x
10
molekul/cm
2
. Rata-rata
konsentrasi CO bulan DJF, MAM, JJA tahun 2003-2009 masing-masing adalah
1,87x10
18
molekul/cm
2
; 1,79x10
18
molekul/cm
2
, dan 1.69x10
18
molekul/cm
2
. Rata-rata
konsentrasi CO bulan SON tahun 2002-2009 adalah 1.961 x10
18
molekul/cm
2
. Dari data
variasi temporal, nilai maksimum total kolom CO terjadi pada tahun 2006 akibat
kejadian kebakaran hutan yang besar di akhir tahun 2006. Konsentrasi total kolom CO
di Indonesia dari tahun 2002 sampai 2009 berkisar antara 1,6 hingga 2,8 x 10
18

molekul/cm
2
. Untuk pola musiman, pola konsentrasi CO pada bulan SON lebih tinggi
daripada pola CO pada musim lainnya khususnya pada tahun 2002, 2004 dan 2006.

DAFTAR REFERENSI
Atmospheric Infra Red Sounder Brosures. 2010. http://disc.sci.gsfc.nasa.gov/AIRS/
documentation/AIRS_brochure.pdf. diakses tanggal 24 November 2010.
Barret, S. Turquety, D. Hurtmans, 2005, Global carbon monoxide vertical distributions from
spaceborne high-resolution FTIR nadir measurements, Atmos. Chem. Phys., 5, 29012914.

Aplikasi Teknologi Penginderaan Jauh untuk Observasi
Variabilitas Karbon Monoksida diIndonesia
Bunga Rampai Penginderaan J auh Indonesia, 2011

79

C. Clerbaux, M. George, S. Turquety, 2008, CO measurements from the ACE-FTS satellite
instrument: data analysis and validation using ground-based, airborne and spaceborne
observations, Atmos. Chem. Phys., 8, 25692594.
Coll, 2006, On The Determining Role of CO in Local Ozone Production, Eropa.
S. Henne, 2007, Representativeness and climatology of carbon monoxide and ozone at the
global GAW station Mt. Kenya in equatorial Africa, Swizterland, Atmospheric Chemistry
and Physics Discussion, 7, 17769-17824.
Mc. Millan, et.al, Global Climatology of Tropospheric CO from the Atmospheric InfraRed
Sounder (AIRS), http://ams.confex.com/ams/pdfpapers/134987.pdf.
M. V. Makarova, A. V. Poberovskii, and Yu. M. Timofeev, 2003, Temporal Variability of
Total Atmospheric Carbon Monoxide over St. Petersburg, Izvestiya, Atmospheric and
Oceanic Physics, Vol. 40, No. 3, 2004, pp. 313322.

BIOGRAFI PENULIS
Novita Ambarsari
Novita Ambarsari, lahir di Bandung pada tanggal 23 November
1984. Penulis merupakan anak kedua dari empat bersaudara.
Penulis berasal dari keluarga sederhana dengan kedua orangtua
yang berprofesi sebagai PNS. Pendidikan penulis dimulai dari
SDN. Citarip Barat, sebuah sekolah dasar negeri yang lokasinya
tidak jauh dari rumah orang tua penulis. Kemudian, dilanjutkan di
SMPN 11 Bandung. Lulus sekolah menengah pertama, penulis
dapat melanjutkan ke SMU terbaik di bandung, yaitu SMAN 3
Bandung. Pendidikan tinggi penulis untuk gelar sarjana ditempuh
di ITB tahun 2003 mengambil jurusan Kimia Fakultas MIPA dan lulus tepat waktu
pada bulan Juli 2007. Akhir tahun 2007, penulis mengikuti seleksi untuk menjadi PNS
di Lembaga Penerbangan dan Antariksa Nasional, dan mulai resmi bekerja sebagai
peneliti di LAPAN sejak Januari 2008. Penulis mendapat penempatan di LAPAN
Bandung, tepatnya di Pusat Pemanfaatan Sains Atmosfer dan Iklim (Pusfatsatklim)
bidang pengkajian ozon dan polusi udara. Bidang kepakaran penulis adalah sains
atmosfer dan aplikasinya. Penulis bekerja sebagai peneliti di LAPAN hingga sekarang.
80

Aplikasi Indraja untuk Mendeteksi Kekeringan di Jawa Terkait
Aktivitas ENSO dan IOD




Nur Febrianti
Bidang Aplikasi Klimatologi dan Lingkungan
Pusfatsatklim, LAPAN
Jl. Dr. Djunjunan no. 133 Bandung
Email: nfebrianti@gmail.com

Abstrak
Kekeringan sudah bukan lagi merupakan suatu kejadian yang tidak biasa di Indonesia.
Biasanya di Jawa dan Bali periode kering terjadi pada bulan Juni, Juli, dan Agustus.
Namun apabila kekeringan yang terjadi lebih dari itu berarti telah terjadi anomali cuaca
dan iklim. Penyimpangan cuaca dan iklim ini antara lain adalah akibat adanya El Nino,
Dipole Mode serta pemanasan global. Data curah hujan yang digunakan merupakan
data curah hujan dari satelite Tropical Rainfall Measuring Mission (TRMM) 1998
2009. Data TRMM 3B43 memiliki resolusi spasial 0,25 x 0,25 derajat dengan resolusi
temporal bulanan. Metode yang digunakan untuk mendeteksi kekeringan yaitu dengan
Standardized Precipitation Index (SPI). Hasil pengamatan kekeringan di Jawa dan Bali
sejak 1998 2009 dengan menggunakan data TRMM, MEI, DMI, dan Peta Rawan
kekeringan dari model SPI diketahui bahwa pada umumnya setiap kejadian MEI dan
DMI positif maka akan menyebabkan curah hujan rendah yang cukup panjang,
sehingga berindikasi terjadinya kondisi sangat kering. Namun hal ini tidak berlaku pada
1998 dimana curah hujan masih cukup tinggi sehingga peta rawan kekeringan
memperlihatkan kondisi sangat basah. Sedangkan di tahun 2008 dimana DMI positif
dan MEI negatif tetap menyebabkan curah hujan cukup kecil di Jawa dengan tipe
kerawanan agak kering hingga sangat kering di sebagian Jawa Barat dan Jawa Timur.
Kata Kunci: TRMM, ENSO, IOD, analisis kekeringan, SPI

Abstract
Drought is no longer an unusual occurrence in Indonesia. Usually in Java and Bali dry
periods occurred in June, July and August. However, if the drought that occurred more
than it means there has been anomalous weather and climate. The anomaly of weather
and climate, among others, is a result of El Nino, Dipole Mode and global
warming. Rainfall data was used satellite data from the Tropical Rainfall Measuring
rainfall Mission (TRMM) 1998-2009. TRMM 3B43 data has a spatial resolution 0.25 x
0.25 degrees with a monthly temporal resolution. Standardized Precipitation Index was
utilized to estimate the drought event. Observations drought in Java and Bali since
1998 - 2009 by using TRMM data, MEI, DMI, and drought Prone Map of the SPI model
is generally known that every positive occurrence MEI and DMI, it will cause low

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

81

rainfall long enough, so that indicated the occurrence of very dry conditions. But this
does not apply in 1998 where rainfall is high enough so that the drought-prone map
shows very wet conditions. Meanwhile, in 2008 where DMI positive and negative MEI
still cause small enough rainfall in Java with the type of vulnerability rather dry to very
dry in parts of West Java and East Java.
Keywords: TRMM, ENSO, IOD, drought analysis, SPI

1. PENDAHULUAN
Penginderaan jauh (Remote sensing) dapat diartikan sebagai ilmu atau teknik untuk
mendapatkan informasi tentang objek, wilayah atau gejala dengan cara menganalisis
data-data yang diperoleh dari suatu alat, tanpak kontak langsung dengan objek, wilayah
atau gejala tersebut. Data yang diperoleh itu kemudian dianalisis dan dimanfaatkan
untuk berbagai bidang kehidupan, khususnya di bidang kelautan, hidrologi, klimatologi,
lingkungan dan kedirgantaraan.
Salah satu wahana yang dapat digunakan untuk memperoleh data inderaja adalah
satelit, seperti satelit Tropical Rainfall Measuring Mission (TRMM) yang diguna untuk
pemantauan curah hujan. Satelit yang diluncurkan pada 1997 ini merupakan satelit
orbital dan berada pada ketinggian 218 mil laut (350 km dpl ada juga yang menyebut
403 km dpl) pada kemiringan 35 derajat ke Khatulistiwa (Gambar 1).

Gambar 1. Satelit Tropical Rainfall Measuring Mission (http://trmm.gsfc.nasa.gov/ )

Keberadaan satelit cuaca sangatlah membantu untuk mendapatkan data cuaca dan iklim
di wilayah-wilayah yang belum memiliki stasiun observasi cuaca. Selain itu satelit ini
dapat membatu kita untuk melihat kondisi cuaca secara luas. Sebagai satu Negara yang
masih berkembang dengan sarana dan prasarana yang masih kurang memadai dalam hal

Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


82

pengamatan cuaca dan iklim untuk itu sangatlah perlu bagi Indonesia memanfaatkan
teknologi ini seoptimal mungkin.
Indonesia yang terletak di belt equator, dimana banyak hujan terjadi di wilayah ini
masih belum dapat lepas dari ancaman bencana kekeringan yang hampir setiap tahun
terjadi. Bencana kekeringan pernah terjadi hampir di seluruh provinsi di Indonesia,
walau dengan tingkat ancaman yang bervariasi. Kekeringan yang terjadi di Indonesia
dari waktu ke waktu mengalami intensitas kejadian dan luasan area kekeringan yang
terus meningkat.
Fenomena kekeringan merupakan musiman biasa bagi Indonesia yang memiliki dua
musim, hujan dan kemarau. Ahli meteorologi mendefinisikan bahwa kekeringan
merupakan kondisi tanpa hujan berkepanjangan atau masa kering di bawah normal yang
cukup lama sehingga mengganggu keseimbangan hidrologi secara serius. Menurut
Hounam et al. (1975) membatasi bahwa kondisi kekeringan terjadi jika jumlah curah
hujan selama 21 hari berturut-turut lebih kecil atau sama dengan 30% dari curah hujan
rata-rata. Selanjutnya Hounam juga membatasi jika 15 hari berturut-turut tidak hujan
maka akan timbul kekeringan.
Pergerakan ITCZ (Intertropical Convergence Zone) menyebabkan Indonesia memiliki
tiga pola curah hujan yaitu pola curah hujan Equatorial, Moonsunal, dan tipe curah
hujan lokal (Aldrian, 2003). Jawa dan Bali sama-sama memiliki tipe curah hujan
Moonsunal, sehingga pada bulan Juni sebagian besar wilayah Jawa dan Bali
kekurangan air yang berakibat rendahnya daya simpan air dalam tanah dan DAS
(Daerah Aliran Sungai), kondisi ini mendorong terjadinya kekeringan.
Selain ITCZ, fenomena kejadian curah hujan di Indonesia dipengaruhi juga oleh El
Nio-Southern Oscillation (ENSO) dan Indian Ocean Dipole (IOD). Jika ENSO
merupakan fenomena global yang terjadi di kawasan lautan pasifik, maka IOD sebagai
mininya ENSO di kawasan Laut India. Kedua fenomena ini sangat erat pengaruhnya
dengan kejadian iklim esktrim di Indonesia (Wolter et al., 1993, 1998; Saji et al.,
1999). Untuk mengetahui berapa besar dampak kekuatan ENSO dan IOD yang terjadi
dapat dilihat dari indexnya masing-masing yaitu Multiple ENSO Index (MEI) dan
Dipole Mode Index (DMI).
Sedangkan untuk mengetahui jumlah curah hujan untuk jangka waktu tertentu dan telah
menyimpang dari normalnya dapat dilihat dari index kekeringan. Dari beberapa index
kekeringan yang ada, ternyata tidak ada satu index yang lebih unggul, karena beberapa
index lebih cocok daripada yang lain untuk keperluan tertentu. Misalnya, Index
Kekeringan Palmer (Palmer Drought Index) telah banyak digunakan oleh Departemen
Pertanian AS untuk menentukan bila waktu yang tepat memberikan bantuan darurat
kekeringan, walaupun nampaknya Index Palmer relatif lebih baik ketika digunakan di
area luas dengan topografi seragam. Sedangkan Pusat Mitigasi Kekeringan Nasional
menggunakan index yang lebih baru yaitu Standardized Precipitation Index (SPI) untuk
memantau kondisi kelembaban tanah (http://drought.unl.edu/).
SPI dirancang untuk mengukur defisit curah hujan di beberapa skala waktu yang
mencerminkan dampak kekeringan pada ketersediaan sumber daya air yang berbeda

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

83

(McKee et al., 1993). Perhitungan SPI untuk setiap lokasi didasarkan pada curah hujan
jangka panjang untuk jangka waktu yang diinginkan (Edwards et al., 1997).
Untuk itu penelitian ini bertujuan untuk memanfaatkan data penginderaan jauh dalam
pemantauan kondisi kekeringan di wilayah Jawa dan Bali, yang dipengaruhi oleh
kejadian ENSO dan IOD. Dari penelitian ini diharapkan Kita dapat menggunakan data
penginderaan jauh seoptimal mungkin dan memperoleh informasi pola kejadian
kekeringan di wilayah Jawa dan Bali pada saat fenomena ENSO dan IOD yang terjadi
disaat bersamaan (simultan).

2. DATA DAN METODOLOGI
2.1. Data dan Alat
Data curah hujan yang digunakan merupakan data curah hujan rata-rata bulanan yang
diunduh dari satelite TRMM 1998 sampai 2009 (12 tahun pengamatan). Data TRMM
3B43 dengan resolusi spasial 0,25 x 0,25 derajat. Data index ENSO tahun 1995 2009
diunduh dari http://www.esrl.noaa.gov/psd/people/klaus.wolter/MEI/table.htm,
sedangkan data IOD tahun 1995 2008 dari http://www.jamstec.go.jp/. Data Produksi
Padi diperoleh dari Badan Pusat Statistik (BPS). Software yang digunakan yaitu
Microsoft Excel, Software Sistem Informasi Geografis, dan Model SPI yang diperoleh
dari http://drought.unl.edu.
2.2. Metodologi
Untuk mengkaji fenomena yang sedang terjadi di Samudera Hindia dan Samudera
Pasifik, dimana fenomena IOD dan ENSO tersebut dapat mempengaruhi besarnya
curah hujan yang terjadi di Jawa-Bali. Maka MEI dan DMI kemudian diplot, sehingga
diperoleh gambaran apakan kedua fenomena tersebut saling menguatkan atau
sebaliknya saling melemahkan.
Data curah hujan TRMM di ambil wilayah Jawa saja menggunakan program SIG
(Sistim Informasi Geografis), sehingga diperoleh TRMM Jawa dan Bali yang terdiri
dari 187 piksel. Kemudian setiap piksel tersebut di hitung indeks kekeringannya dengan
menggunakan Metode SPI (Standardized Precipitation Index) yang tidak lain
merupakan index kekeringan yang hanya didasarkan pada curah hujan. Dalam
perhitungannya metode SPI ini membutuhkan informasi data curah hujan yang cukup
panjang.
Pada Metode SPI, curah hujan divariasikan dalam fungsi distribusi gamma. Kemudian
dengan mengubah fungsi probabilitas kumulatif gamma ke dalam variabel normal
standar Z acak dengan rata-rata dan deviasi standar nol dan satu. Sebuah persamaan
baru dibentuk (persamaan i dan ii), dan transformasi dilakukan sedemikian rupa
sehingga setiap curah hujan dalam fungsi gamma telah mendapat nilai yang sesuai di
fungsi Z. Dan probabilitas bahwa curah hujan kurang dari atau sama dengan jumlah
curah hujan pun akan sama dengan probabilitas bahwa variasi baru kurang dari atau
sama dengan nilai jumlah curah hujan. Semua fungsi probabilitas yang telah dipasang
untuk data curah hujan stasiun yang berbeda dapat diubah dengan cara ini, dan
divariasikan mengubah resultan selalu dalam satuan yang sama.

Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


84

|
|
.
|

\
|
+ + +
+ +
= =
3
3
2
2 1
2
2 1 0
1 t d t d t d
t c t c c
t SPI Z 5 . 0 ) ( 0 s < x H for (i)
|
|
.
|

\
|
+ + +
+ +
+ = =
3
3
2
2 1
2
2 1 0
1 t d t d t d
t c t c c
t SPI Z 0 . 1 ) ( 5 . 0 < < x H for ..(ii)
dimana :
|
|
.
|

\
|
=
2
)) ( (
1
ln
x H
t 5 . 0 ) ( 0 s < x H for
|
|
.
|

\
|

=
2
)) ( 0 . 1 (
1
ln
x H
t
0 . 1 ) ( 5 . 0 < < x H for
c0 = 2.515517
c1 = 0.802853
c2 = 0.010328
d1 = 1.432788
d2 = 0.189269
d3 = 0.001308
Dalam cara yang sama, probabilitas kumulatif dari setiap nilai SPI dapat ditemukan,
dan ini akan sama dengan probabilitas kumulatif dari curah hujan yang sesuai. Tabel 1
di bawah ini memberikan probabilitas kumulatif untuk nilai-nilai berbagai SPI
(Edwards et al., 1997).
Tabel 1. SPI dan Probabilitas Kumulatif
SPI Probabilitas Kumulatif
-3.0 0.0014
-2.5 0.0062
-2.0 0.0228
-1.5 0.0668
-1.0 0.1587
-0.5 0.3085
0.0 0.5000
0.5 0.6915
1.0 0.8413
1.5 0.9332
2.0 0.9772
2.5 0.9938
3.0 0.9986

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

85

Sistem klasifikasi untuk menentukan intensitas kekeringan yang dihasilkan dari SPI
ditunjukkan dalam tabel nilai SPI (Tabel 2). Lokasi-lokasi yang telah memiliki nilai SPI
dan telah diklasifikasi tersebut kemudian di masukkan ke program SIG sehingga dapat
dianalisis secara spasial.
Tabel 2. Nilai SPI (McKee et al., 1993)
Nilai Klasifikasi
> 2,0 ekstrim basah
1,5 sampai 1,99 sangat basah
1,0 sampai 1,49 agak basah
0,99 sampai -0,99 dekat normal
-1,0 sampai -1,49 agak kering
-1,5 sampai -1,99 sangat kering
< -2 ekstrim kering

Langkah-langkah kerja yang dilakukan pada penelitian ini secara ringkas disajikan
dalam diagram alir dibawah ini (Gambar 2).

Gambar 2. Diagram alir prosedur kerja

Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


86

3. HASIL DAN PEMBAHASAN
Hasil pengamatan curah hujan dari satelit TRMM untuk kawasan Jawa diperoleh
sebanyak 187 pixel dimana setiap tahunnya dapat dilihat pada Gambar 3. Hasil rata-rata
curah hujan selama pengamatan (12 tahun) sebesar 183 mm dimana curah hujan
tertinggi terjadi pada awal tahun 1999 hingga mencapai sekitar 542 mm. Pada Gambar
3 juga dapat dilihat bahwa curah hujan bulanan di Jawa pada bulan kering yang kurang
dari 50 mm/bulan dan terjadi lebih dari 3 bulan berturut-turut yaitu 2002, 2003, 2006,
dan 2008.

Gambar 3. Curah hujan Jawa dari Satelite TRMM dari tahun 1998 2009
Fenomena ENSO dan IOD dapat dilihat dari masing-masing index yaitu MEI dan DMI
pada 1998 sampai 2009. Gambar 4 menunjukkan bahwa MEI dan DMI saling
menguatkan terjadi pada 1998, 2003, 2006, dan 2007. Merujuk kepada Gambar 3,
terlihat bahwa curah hujan pada bulan kering 2003 dan 2006 cukup kecil dan lama.
Pada saat MEI dan DMI sama-sama positif maka peluang bencana kekeringan semakin
besar terjadi karena curah hujan yang terjadi semakin kecil. Sebaliknya saat MEI dan
DMI sama-sama negatif maka peluang curah hujan tinggi semakin besar. Namun yang
menjadi tanda tanya disini adalah kejadian El Nino dan DMI Positif pada 1998 dimana
curah hujan yang terjadi masih cukup tinggi ditahun itu. Sedangkan kondisi saling
melemahkan terjadi pada 2000, 2004, 2005, dan 2008. Namun pada kondisi berlawanan
atau saling melemahkan, maka besarnya curah hujan yang terjadi tergantung dari
fenomena yang lebih mendominasi.
Selain itu, kejadian ini juga dapat menyebabkan ketidak seragaman curah hujan di
setiap daerah, karena tergantung lokasi daerah tersebut. Semakin mendekati Samudera
Hindia, maka IOD lebih dominan, sedangkan semakin mendekati Samudera Pasifik
maka ENSO lebih dominan. Untuk itu pada kondisi khusus ini besarnya curah hujan
yang terjadi sulit untuk di prediksi.
0
100
200
300
400
500
600
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
C
u
r
a
h

H
u
j
a
n

(
m
m
/
b
u
l
a
n
)

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

87


Gambar 4. Kejadian ENSO dan IOD 1998 2009
Wilayah Jawa yang memiliki tipe curah hujan Moonsunal cenderung mengalami
kekurangan curah hujan pada bulan Juni-Juli-Agustus. Namun pada JJA 1998 dan 2005
(Gambar 5) Jawa dan Bali terlihat cukup basah, dimana pada 1998 terjadi La Nina dan
DMI negatif. Sedangkan 2005 dimana terjadi El Nino lemah dan DMI negatif dominan
sehingga peta rawan kekeringan di JJA 2005 cenderung mendekati normal. Hanya di
beberapa daerah memperlihatkan kondisi basah.
Peta rawan kekeringan Jawa pada bulan Juni-Juli-Agustus banyak yang menunjukkan
kondisi mendekati normal basah, yaitu 1999, 2000, 2001, dan 2007. Pada JJA 1999
2001 ENSO dan IOD pada kondisi normal, sedangkan JJA 2007 terjadi La Nina kuat
namun dapat dilemahkan oleh IOD positif yang cukup kuat juga. Sedangkan klasifikasi
normal - sedikit kering di wilayah Jawa bagian timur dan Bali terjadi pada 2004 dan
2009, dimana pada tahun-tahun tersebut terjadi ENSO yang diperkuat dengan DMI
positif.
Selebihnya pada Gambar 5, peta rawan kekeringan JJA 2002, 2003, 2006, dan 2008
memperlihatkan banyak klasifikasi kering. Fenomena ENSO dan IOD saling
menguatkan dengan index positif, kecuali 2008.
-4
-3
-2
-1
0
1
2
3
4
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
MEI DMI

Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


88

Gambar 5. Peta Rawan Kekeringan Jawa Bulan Juni-Juli-Agustus 1998 - 2009

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

89

Untuk melihat apakah kondisi rawan kekeringan ini dapat mempengaruhi jumlah
produksi yang dihasilkan, maka diambil studi kasus kekeringan Juni Agustus 2003 di
wilayah Jawa Barat. Di mana pada saat itu wilayah Jawa Barat terutama bagian utara
terlihat berpotensi mengalami kondisi kekeringan hingga kriteria sangat kering.
Dari Gambar 6 terlihat bahwa sekitar 56% wilayah Jawa Barat mengalami penurunan
produksi padi pada saat berpotensi mengalami kekeringan. Penurunan produksi terbesar
terjadi di Kabupaten Ciamis, Cirebon, Sukabumi, dan Tasikmalaya yaitu mencapai 33
ribu Ton dari rata-rata produksi padi pada periode waktu yang sama (yaitu rata-rata
produksi padi pada bulan Mei sampai Agustus 2000 hingga 2005).
Selain itu dari Gambar 6 juga terlihat bahwa Kabupaten Ciami, Cirebon, dan
Tasikmalaya sangat sensitif terhadap menurunan curah hujan yang mengakibatkan
penurunan produksi padi di wilayah tersebut. Kecuali wilayah Kabupaten Bandung,
Bekasi, Bogor, Garut, Karawang, Purwakarta dan Subang yang tetap mengalami
peningkatan produksi padi dari rata-rata produksi padi diperiode yang sama walau
berpotensi mengalami kekeringan. hal ini dapat terjadi karena wilayah tersebut
mungkin memiliki jaringan irigasi yang baik. Dimana sumber air irigasi berasal dari
danau, waduk atau lain sebagainya.

Gambar 6. Kondisi SPI dan peubahan produksi Padi bulan Mei Agustus 2003 di Jawa
Barat

4. KESIMPULAN
Pemanfaatan data satelit TRMM sebagai salah satu data hasil penginderaan jauh dapat
diaplikasikan dalam pemantauan kekeringan. Hasil pengamatan kekeringan di Jawa dan
Bali sejak 1998 2009 dengan menggunakan data TRMM, MEI, DMI, dan Peta Rawan
kekeringan dari model SPI diketahui bahwa pada umumnya setiap kejadian MEI dan
DMI positif maka akan menyebabkan curah hujan rendah yang cukup panjang,

Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


90

sehingga berindikasi terjadinya kondisi sangat kering. Namun hal ini tidak berlaku pada
1998 dimana curah hujan masih cukup tinggi sehingga peta rawan kekeringan
memperlihatkan kondisi sangat basah. Sedangkan di tahun 2008 dimana DMI positif
dan MEI negatif tetap menyebabkan curah hujan cukup kecil di Jawa dengan tipe
kerawanan agak kering hingga sangat kering di sebagain Jawa Barat dan Jawa Timur.
Pada studi kasus kondisi kedua indeks ini saling menguatkan (2003) ternyata produksi
padi di Jawa Barat ikut mengalami penurunan.

5. REKOMENDASI
Penggunaan SPI dalam upaya penentuan daerah yang berpotensi mengalami kekeringan
dapat diterapkan di Indonesia. Dengan mengetahui wilayah yang sangat sensitif
terhadap perubahan curah hujan apalagi yang dipengaruhi kejadian ekstrim seperti
ENSO dan IOD maka dapat diterapkan pemberian air irigasi agar dapat mengatasi
kondisi kekeringan tersebut. Sebaiknya pengolahan menggunakan metode SPI
menggunakan data curah hujan yang panjang.

DAFTAR REFERENSI
Aldrian, E, and R. Dwi Susanto. 2003. Identification of Three Dominant Rainfall Regions within
Indonesia And Their Relationship To Sea Surface Temperature. International Journal of
Climatology, Int. J. Climatol. 23: 14351452 (2003).
Edwards, D.C., and T.B. McKee. 1997. Characteristics of 20th century drought in the United
States at multiple time scales. Climatology Report Number 972, Colorado State
University, Fort Collins, Colorado.
Everett, and Simonett. 1976. Principles, Concepts, and Philosophical Problems in Remote
Sensing, In: Remote Sensing of Environment, Lintz, and Simonett: Addison-Wesley
Publishing Company, London.
Hounam, C.E., J.J. Burgos, M.S. Kalik, W.C. Palmer, and J. Rodda. 1975. Drought and
Agriculture. Report of the CAgM Working Group on Assessment of Drought. Technical
Note No. 138. WMO Publication No. 392, 127 pp.
http://drought.unl.edu/. Diakses Februari 2010.
http://trmm.gsfc.nasa.gov/overview_dir/background.html. Diakses Agustus 2010.
http://www.esrl.noaa.gov/psd/people/klaus.wolter/MEI/table.html. Diakses Agustus 2010.
http://www.jamstec.go.jp/frsgc/research/d1/iod/. Diakses Agustus 2010.
Lillesand, T.M., R.W. Kiefer, and J.W. Chipman. 2003. Remote sensing and image
interpretation (5
th
ed.). Wiley. ISBN 0-471-15227-7.
Lindgren, D.T. 1985. Land use Planning and Remote Sensing, Doldrecht: Martinus Nijhoff
Publisher.

Aplikasi Inderaja untuk Mendeteksi Kekeringan di Jawa Terkait Aktivitas ENSO dan IOD
Bunga Rampai Penginderaan J auh Indonesia, 2011

91

McKee, T.B., N.J. Doesken, and J. Kleist. 1993. The relationship of drought frequency and
duration to time scales. Preprints, 8th Conference on Applied Climatology, pp. 179184.
January 1722, Anaheim, California.
Saji, N.H., Goswami B.N., Vinayachandran P.N., and Yamagata T. 1999. A dipole mode in the
tropical Indian Ocean, Nature, 401, 360-363.
Wolter, K., and M.S. Timlin. 1998. Measuring the strength of ENSO events - how does 1997/98
rank? Weather, 53, 315-324.
Wolter, K., and M.S. Timlin. 1993. Monitoring ENSO in COADS with a seasonally adjusted
principal component index. Proc. of the 17th Climate Diagnostics Workshop, Norman, OK,
NOAA/NMC/CAC, NSSL, Oklahoma Clim. Survey, CIMMS and the School of Meteor.,
Univ. of Oklahoma, 52-57.

BIOGRAFI PENULIS

Nur Febrianti, S.Si.

Lahir di Jambi 04 Februari 1981. Menamatkan Sekolah Dasar di
Jambi, SMPN 12 dan SMUN 3 di Padang 1999, serta
memperoleh gelar sarjana di IPB Jurusan Geofisika dan
Meteorologi 2004. Setelah lulus kuliah bekerja di LAPAN, dan
diterima menjadi Pegawai Negri Sipil 2008 sampai sekarang di
lembaga yang sama.
Pelatihan tingkat international yang pernah diikuti yaitu antara
lain Elucidation of ground based atmosphere observation
network in equatorial asia kerjasama LAPAN dan JSPS-Jepang,
2008. dan Spring School on Fluid Mechanics and Geophysics of Environmental
Hazards - Institute for Mathematical Sciences, National University of Singapore, 2009.
Pengalaman penelitian di bidang iklim dan aplikasinya 2004 sekarang. Semenjak
2005 hingga 2010 telah mempublikasikan delapan makalah penelitian yang terkait.
92

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD di
Indonesia - Observasi Menggunakan Data TRMM 3B43




Abd. Rahman As-syakur
1) 2)
*
1)
Pusat Penelitian Lingkungan Hidup (PPLH) Universitas Udayana, Denpasar-Bali
2)
Center for Remote Sensing and Ocean Science (CReSOS) Universitas Udayana, Denpasar-
Bali
*ar.assyakur@pplh.unud.ac.id
Abstrak
Data penginderaan jauh TRMM (Tropical Rainfall Measuring Mission) 3B43 selama 12
tahun telah digunakan untuk mencari pola spasial hubungan antara ENSO (El Nio-
Southern Oscillation) dan IOD (Indian Ocean Dipole) dengan curah hujan di Indonesia.
Analisis statistik korelasi linier dilakukan untuk mengetahui tingkat hubungannya
dengan batasan analisa berupa analisis musiman yaitu musim lokal dan musim monsun.
Pemanfaatan data penginderaan jauh memperlihatkan adanya interaksi spasial temporal
hubungan curah hujan dengan ENSO dan IOD antara daratan dan lautan yang dapat
mengambarkan faktor-faktor penyebab perbedaan kekuatan pengaruh kedua fenomena
tersebut terhadap curah hujan secara spasial dan temporal. Secara umum pola temporal
hubungan ENSO dan IOD dengan curah hujan di Indonesia adalah sama dimana tinggi
saat musim monsun JJA dan SON serta tidak jelas saat musim monsun DJF dan MAM.
Pola spasial hubungan kedua indeks dengan curah hujan tinggi di wilayah Pulau
Sumatera bagian tenggara dan Pulau Jawa saat musim JJA dan SON. Saat musim
monsun SON, IOD memiliki tingkat hubungan yang lebih tinggi dibandingkan dengan
ENSO diwilayah tersebut. Secara spasial temporal terlihat bahwa ada pergerakan
dinamis hubungan ENSO dan IOD dengan curah hujan di Indonesia dimana permulaan
pengaruh ENSO dan IOD terjadi pada masa JJA di wilayah barat daya Indonesia dan
berakhir pada masa DJF di wilayah timur laut Indonesia.
Kata Kunci: curah hujan, pola spasial, ENSO, IOD, TMPA 3B43
Abstract
The Remote sensing data of TRMM (Tropical Rainfall Measuring Mission) 3B43 for 12
years has been used to observe the spatial patterns relationship of rainfall with ENSO
(El Nio-Southern Oscillation) and IOD (Indian Ocean Dipole) over Indonesia. Linier
correlation statistical analysis was conducted to determine the relationship level by
restriction analysis of seasonal analysis based on local season and monsoon activity.
Application of remote sensing data can reveal an interaction of spatial temporal
relationship of rainfall with ENSO and IOD between land and sea which can be used to
describe the factors that cause differences power effects of both phenomena on rainfall
are spatially and temporally. In general, the temporal patterns relationship of rainfall

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

93

with ENSO and IOD is the same patterns where high response during JJA and SON,
and unclear response during DJF and MAM. Spatial patterns relationship of both
phenomena with rainfall is high in southeastern part of Sumatra Island and Jawa
Island during JJA and SON. During the SON season, IOD has a relationship level
higher than ENSO in this part. In the spatial temporal seen, indicate the dynamic
movement of the relationship between IOD and ENSO with rainfall in Indonesia, where
the beginning of the influence of ENSO and IOD occurs during JJA in southwest part of
Indonesia and ended in DJF period in northeast part of Indonesia.
Keywords: rainfall, spatial patterns, ENSO, IOD, TMPA 3B43
1. PENDAHULUAN
Indonesia terletak di wilayah yang dilewati oleh garis katulistiwa dan terletak di antara
dua benua dan dua samudra. Posisi ini menyebabkan wilayah indonesia dipengaruhi
oleh sirkulasi Hadley dan sirkulasi Walker, dua sirkulasi yang sangat mempengaruhi
tingkat variabilitas hujan di Indonesia (Aldrian et al., 2007). Pergerakan matahari dari
23.5
o
LU ke 23.5
o
LS selama setahun menghasilkan aktivitas monsun yang juga
berperan penting terhadap variabilitas hujan di Indonesia. Selain itu, adanya pengaruh
kondisi lokal seperti topografi juga tidak bisa diabaikan karena merupakan salah satu
kondisi penting yang mempengaruhi tingkat variabilitas hujan pada skala mikro
(Haylock and McBride, 2001; Aldrian and Djamil, 2008).
Anomali interaksi antara laut dan atmosfer di sekitar perairan Indonesia juga
berpengaruh terhadap variabilitas hujan di Indonesia. Interaksi-interaksi tersebut seperti
kejadian ENSO dan IOD. Kedua fenomena tersebut berperan penting terhadap kondisi
ekstrim variabilitas hujan yang berdampak terhadap kondisi lingkungan dan sosial baik
secara global maupun regional (Lou et al., 2010). Fluktuasi kejadian ENSO di Samudra
Pasifik sangat berhubungan dengan curah hujan di Indonesia (Aldrian et al., 2007;
Hendon, 2003a; Mulyana, 2002b; Nicholls, 1988; Ropelewski and Halpert, 1987). Hal
yang sama juga terjadi pada fluktuasi kejadian IOD di Samudra Hindia (Saji et al.,
1999; Saji and Yamagata, 2003b; Bannu et al., 2005). Kondisi ENSO baik El Nino atau
La Nina menyebabkan penurunan atau peningkatan curah hujan di sebagian Indonesia
yang berdampak pada makin panjangnya musim kemarau atau pendeknya musim
kemarau (As-syakur, 2010; As-syakur dan Prasetia, 2010; Bell et al., 1999; Bell et al.,
2000; Hendon, 2003a; Hamada et al., 2002; Philander, 1990; Tjasyono dkk., 2008).
Kondisi yang sama juga terjadi bila kejadian IOD juga berlangsung. IOD positif
(negatif) berdampak pada semakin panjang (pendek) dan keringnya (basahnya) musim
kemarau di sebagian Indonesia (Saji et al., 1999; Saji and Yamagata, 2003b; Bannu et
al., 2005; Tjasyono dkk., 2008).
Curah hujan mempunyai tingkat variabilitas yang tinggi terhadap ruang dan waktu
sehingga membutuhkan data observasi yang panjang serta dengan sebaran spasial yang
memadai (Hong et al., 2010). Penakar hujan pada setiap pos pengamatan hujan
merupakan suatu alat pengukur hujan yang efektif dan relatif akurat dalam
menggambarkan kondisi hujan pada suatu tempat. Akan tetapi sebaran pos penakar
hujan tidak merata khususnya di daerah tidak berpenghuni serta di sekitar lautan yang

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


94

mengakibatkan berkurangnya tingkat keakuratannya (Xie and Arkin, 1996; Petty and
Krajewski, 1996). Saat ini, kemungkinan memperoleh data curah hujan yang diperlukan
dalam berbagai aplikasi ilmiah dapat diperoleh dari satelit meteorologi (Petty, 1995).
Satelit meteorologi dapat menyediakan data hujan dengan sebaran yang lebih baik dan
waktu yang kontinyu (Xie et al., 2007). Keberadaan data yang memiliki resolusi spasial
dan temporal yang baik diharapkan dapat memberikan pemahaman yang lebih
kuantitatif tentang hubungan curah hujan di Indonesia dengan kondisi iklim pada skala
yang lebih luas. Keadaan ini memberikan kesempatan yang baik dalam studi tentang
pola spasial hubungan antara curah hujan dengan ENSO dan IOD di Indonesia.
Produk TRMM 3B43 atau disebut juga Tropical Rainfall Measuring Mission (TRMM)
Multisatellite Precipitation Analysis (TMPA), merupakan data kombinasi atau data
hasil analisis penggabungan. TRMM 3B43 sudah diterapkan dalam berbagai aplikasi
seperti pengamatan iklim/cuaca, analisis iklim, verifikasi model iklim, dan studi
hidrologi (Xie et al., 2007). Data TRMM 3B43 merupakan yang pertama
mengkombinasikan TRMM Precipitation Radar (PR) dan TRMM Microwave Imager
(TMI) untuk mengkalibrasi perkiraan jumlah curah hujan dari pengukuran data
Microwave dan Infrared (IR) (Huffman et al., 2007). Data TRMM 3B43 sangat baik
digunakan untuk saat ini, karena di dalamnya juga terdapat hasil kalibrasi dari data
penakar hujan (Mehta and Yang, 2008). Pada saat ini, beberapa kelompok peneliti telah
melakukan validasi terhadap keakuratan data ini, seperti As-syakur et al., (2010) yang
membandingkan TMPA dengan data pengukuran curah hujan di Bali, Chokngamwong
and Chiu (2008) yang membandingkan TRMM dengan data pengukuran curah hujan di
Thailand, Su et al. (2008) yang menggunakan TMPA untuk memprediksi kondisi
hidrologi di Lembah La Plata, dan Islam and Uyeda (2007) yang memanfaatkan data
TRMM untuk menjelaskan karakteristik iklim, khususnya hujan di Bangladesh. Hasil-
hasil penelitian tersebut menggarisbawahi tentang keunggulan TRMM 3B43 dan
menyarankan untuk memanfaatkan data satelit ini secara lebih luas.
Berdasarkan kondisi-kondisi tersebut, dalam penelitian ini dicobakan penggunaan data
curah hujan dari TRMM untuk mengetahui pola spasial hubungan antara curah hujan
dengan ENSO dan IOD di seluruh Indonesia. Selama ini studi tentang hubungan antara
curah hujan di Indonesia dengan ENSO atau IOD lebih banyak dilakukan per lokasi
yang memiliki pos penakar hujan atau dari pemanfaatan model yang datanya hanya
bersumber dari penakar hujan (Seperti Aldrian et al., 2007; Hendon, 2003a; Saji and
Yamagata, 2003b; Hamada et al., 2002; Mulyana, 2002a; Mulyana, 2002b; Nicholls,
1988; Ropelewski and Halpert, 1987). Sehingga dengan keberadaan data satelit yang
memiliki resousi spasial dan temporal yang baik diharapkan akan lebih mampu
memberikan informasi yang lebih baik tentang pola spasial hubungan antara curah
hujan dengan kedua jenis indeks tersebut. Dalam penelitian ini, kondisi ENSO
dijelaskan dengan nilai SOI (Southern Oscillation Index) dan kondisi IOD dijelaskan
dengan nilai DMI (Dipole Mode Index). Penelitian ini memfokuskan pada analisis
musiman.



Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

95

2. DATA DAN METODE
2.1 Data
Data curah hujan bulanan dari tahun 1998 sampai 2009 yang diperoleh dari TRMM
3B43 digunakan dalam penelitian ini untuk mengetahui pola spasial hubungan antara
curah hujan dengan ENSO dan IOD. Cakupan area penelitian adalah pada 20 LU
sampai 20 LS dan 80 BT sampai 160 BT (Gambar 1) dengan jumlah pixel TRMM
3B43 yang dianalisis sebanyak 51.200 pixel. Nilai SOI digunakan untuk menjelaskan
peristiwa hangat (El Nino) dan dingin (La Nina) di Samudra Pasifik (Ropelewski and
Jones, 1987; Ropelewski and Halpert, 1989; Knnen et al., 1998). Sedangkan nilai DMI
digunakan untuk menjelaskan peristiwa IOD positif dan IOD negatif Samudra Hindia
(Saji et al., 1999; Saji and Yamagata, 2003a; Saji and Yamagata, 2003b). SOI adalah
indeks yang didasarkan pada perbedaan tekanan antara Tahiti dan Darwin (Ropelewski
and Jones, 1987) dan didefinisikan sebagai perbedaan standar antara tekanan standar
bulanan di Tahiti dan Darwin (Knnen et al., 1998), sedangkan DMI didefinisikan
sebagai gradien suhu permukaan laut (SPL) antara bagian timur dengan bagian barat
samudra Hindia (Saji et al., 1999).

Gambar 1. Lokasi penelitian

TRMM disponsori oleh NASA (National Aeronautics and Space Administration) dan
JAXA (Japan Aerospace Exploration Agency, yang dulu disebut NASDA-National
Space Development Agency), dan telah mengumpulkan data dari November 1997
sampai saat ini (Kummerow et al., 2000). TRMM merupakan program penelitian
jangka panjang yang didesain untuk studi tentang tanah, laut, udara, es, dan sistem total
kehidupan di bumi (Islam and Uyeda, 2007). TRMM 3B43 merupakan bagian dari
TMPA. TMPA adalah data kalibrasi berbasis skema berurut yang mengkombinasikan
perkiraan hujan dari beberapa jenis satelit dan data penakar hujan. TMPA menyediakan
cakupan data hujan global pada sabuk lintang 50 LU sampai 50 LS dengan resolusi

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


96

spasial 0.25

0.25 serta resolusi temporal tiga jam-an untuk TRMM 3B42 dan
resolusi temporal bulanan untuk TRMM 3B43 (Huffman et al., 2007; Huffman et al.,
2010). Algoritma yang digunakan untuk menghasilkan data TMPA didasarkan pada
teknik dari Huffman et al. (1995, 1997) dan Huffman (1997).
Data TRMM 3B43 diperoleh dari website ftp://disc2.nascom.nasa.gov/data/
s4pa/TRMM_L3/. Sedangkan data SOI dan DMI diperoleh dari website
http://www.bom.gov.au/ dan http://www.jamstec.go.jp/.
2.2 Metode
Metode untuk mendapatkan hubungan antara curah hujan dari TRMM 3B43 dengan
nilai SOI dan DMI adalah menggunakan analisis statistik. Pengukuran hubungan antara
data satelit dengan SOI dan IOD adalah dengan mencari nilai koefisien korelasi linier
(r) yang didefinisikan berdasarkan persamaan berikut (von Storch and Zwiers, 1999):
( )( )
( ) ( ) - -
-
r
2 2 2 2


=
Y Y n X X n
Y X XY n
(1)
Di mana X adalah nilai curah hujan dari TRMM 3B43, Y adalah nilai indeks (SOI atau
DMI), dan n adalah jumlah data yang digunakan. Dari sudut pandang statistik, analisis
korelasi digunakan untuk menggambarkan hubungan statistik linear antara dua variabel
acak, dimana hal ini menunjukkan sepasang variabel yang berbeda bervariasi sama
persis, satu variabel yang terkait dengan yang lain dapat diskalakan dalam bentuk
positif atau negatif (von Storch and Zwiers, 1999).
Analisis data dilakukan pada tiap pixel dengan koordinat sebagai identitas. Data
diekstrak dari TRMM 3B43 pada setiap pixel untuk mendapatkan data per point/titik.
Tiap point/titik memiliki informasi koordinat, bulan, tahun, dan nilai curah hujan.
Kemudian data diurutkan sesuai dengan tujuan analisis. Proses pengurutan juga
dilakukan pada nilai-nilai index (SOI dan DMI), dan selanjutnya dilakukan perhitungan
untuk mendapatkan nilai korelasi menggunakan persamaan koefisien korelasi linier
(persamaan 1). Setelah diperoleh nilai korelasi, data titik/poin dikonversi ke format data
raster yang memiliki resolusi spasial yang sama dengan data aslinya (0.25

0.25).
Proses-proses tersebut dilakukan dengan memanfaatkan perangkat lunak Microsoft
Office Excel 2003 dan ArcGIS 9.3.
Dua tipe analisis musiman dilakukan dalam penelitian ini, pertama didasarkan pada
musim lokal dan yang kedua didasarkan pada aktivitas monsun. Secara lokal, musim
dibagi menjadi dua tipe yaitu musim hujan dan musim kemarau. Sementara itu,
berdasarkan aktivitas monsun, analisisnya dibagi menjadi empat tipe, yaitu Desember-
Januari-Februari (DJF), Maret-April-Mei (MAM), Juni-Juli-Agustus (JJA), and
September-Oktober-November (SON). Secara umum di Indonesia musim hujan terjadi
dari bulan November sampai April dan musim kemarau terjadi dari Mei sampai
Oktober (Hendon, 2003a; Aldrian and Djamil, 2008). DJF menggambarkan puncak dari
monsun barat laut Australia-Asia, dan JJA menggambarkan puncak monsun tenggara
Australia-Asia. Sedangkan MAM dan SON menggambarkan transisi antara kedua masa

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

97

monsun (Aldrian and Susanto, 2003). Proses analisis dilakukan dengan
mengkorelasikan data bulanan pada musim yang sama selama tahun pengamatan.
Untuk mengetahui indeks yang paling berpengaruh terhadap curah hujan di Indonesia
diperoleh dengan melakukan perbandingan tingkat korelasi antara kedua indeks
tersebut. Sedangkan untuk mengetahui tingkat signifikan korelasi, digunakan derajat
kepercayaan 95%. Nilai korelasi yang berada di bawah derajat kepercayaan 95% adalah
tidak berkorelasi signifikan. Hasil analisis awal menunjukan bahwa nilai korelasi
signifikan yang berada dibawah derajat kepercayaan 95% untuk analisis musim lokal
dan musim monsun berturut-turut adalah antara 0.23 sampai -0.23 dan antara 0.33
sampai -0.33. Korelasi positif (negatif) antara curah hujan dengan SOI menunjukkan
bahwa kondisi hangatnya SPL (Suhu Permukaan Laut) di Samudra Pasifik dapat
mengakibatkan menurunnya (meningkatnya) curah hujan di Indonesia. Kondisi
sebaliknya akan berlangsung bila peristiwa pendinginan SPL terjadi di Samudra Pasifik.
Sementara itu, korelasi negatif (positif) antara curah hujan dan DMI mengindikasikan
bahwa peristiwa pendinginan SPL di bagian timur Samudra Hindia dapat menurunkan
(meningkatkan) curah hujan di Indonesia. Kondisi sebaliknya akan terjadi bila peristiwa
penghangatan SPL terjadi di wilayah tersebut.

3. HASIL
Pola spasial hubungan antara curah hujan dengan ENSO dan IOD terhadap fluktuasi
hujan selama musim lokal disajikan pada Gambar 2. Berdasarkan gambar tersebut
secara umum pengaruh ENSO lebih luas efeknya dibandingkan IOD baik selama
musim hujan maupun selama musim kemarau. Selama musim hujan, pengaruh ENSO
lebih kuat dibandingkan pengaruh IOD walaupun dengan sebaran yang tidak terlalu
luas untuk wilayah Indonesia. ENSO dan IOD tidak berpengaruh signifikan terhadap
fluktuasi Curah hujan di sebagian wilayah daratan Indonesia. Sebaran pengaruh ENSO
hanya terjadi di sebagian pesisir utara Sumatera, Jawa bagian tengah, sebagian
Kepulauan Nusa Tenggara, bagian timur Kalimantan, sebagian Sulawesi bagian utara
dan selatan, sebagian kepulauan Maluku, serta disebagian kecil Papua. Sedangkan
sebaran pengaruh IOD hanya terjadi di bagian timur Kalimantan, di sebagian wilayah
Sulawesi, bagian timur kepulauan Nusa Tenggara, dan Kepulauan Halmahera. Selama
musim hujan, pengaruh ENSO kuat (r = 0.4-0.6) hanya terjadi di bagian utara dan
pesisir timur Kalimantan, bagian utara Sulawesi, bagian utara kepulauan Halmahera,
dan di bagian selatan Bali dan Lombok. Sedangkan pengaruh IOD kuat (r = 0.4-0.6)
saat musim hujan hanya terdapat di Laut Jawa.
Selama musim kemarau, sebaran pengaruh ENSO dan IOD terhadap fluktuasi hujan
lebih luas dibandingkan saat musim penghujan. Efek kejadian ENSO terhadap curah
hujan di Indonesia selama musim kemarau tersebar cukup merata. Sebagian besar curah
hujan di wilayah Indonesia berfluktuasi seiring dengan fluktuasi nilai SOI kecuali
sebagian Sumatera bagian barat, sebagian kalimantan bagian utara dan sebagian papua
bagian timur laut. Efek ENSO kuat (r = 0.4-0.6) juga terlihat cukup luas sebarannya
yaitu terlihat di sebagian Sumatera bagian barat, sebagian kalimantan bagian barat,
sebagian Sulawesi bagian barat, sebagian maluku, sebagian Paua, Bali, dan Nusa
Tenggara Barat. Di sisi lain, IOD juga berpengaruh kuat terhadap fluktuasi hujan saat

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


98

musim kemarau terutama di bagian timur Pulau Sumatera dan bagian barat Pulau Jawa.
Secara umum efek IOD terhadap fluktuasi hujan saat musim kemarau di Indonesia
hanya terpengaruh di selatan Indonesia yaitu bagian timur Pulau Sumatera, Pulau Jawa,
Bali, bagian barat kepulauan Nusa Tenggara, bagian barat laut Pulau Kalimantan, dan
bagian barat Pulau Sulawesi.

Gambar 2. Pola spasial hubungan antara curah hujan dengan ENSO dan IOD terhadap
curah hujan di Indonesia berdasarkan musim lokal. (a) ENSO saat musim hujan; (b)
ENSO saat musim kemarau; (c) IOD saat musim hujan; dan (d) IOD saat musim kemarau

Berdasarkan hasil analisis perbandingan antara kedua jenis indeks terlihat bahwa ENSO
lebih berpengaruh terhadap fluktuasi hujan di Indonesia dibandingkan IOD baik itu
selama musim hujan maupun selama musim kemarau, seperti yang disajikan pada
Gambar 3. Selama musim hujan pengaruh ENSO terhadap fluktuasi curah hujan lebih
kuat dibandingkan IOD di wilayah bagian tengah Indonesia serta diluar bagian selatan
dan utara Indonesia. Sedangkan di periran Laut Banda dan sekitarnya serta sebagian
kecil Pulau Kalimantan dan Kepulauan Mentawai, Sumatera pengaruh IOD lebih kuat
terhadap curah hujan di bandingkan dengan ENSO. Kondisi sebaliknya terjadi selama
musim kemarau, di bagian barat Indonesia yaitu di Pulau Sumatera bagian timur,
sebagian besar wilayah Pulau Jawa, sebagian wilayah Kepulauan Nusa Tenggara
fluktuasi hujannya lebih dipengaruhi oleh kejadian IOD di bandingkan kejadian ENSO.
Akan tetapi sebagian bagian barat Pulau Sumatera, Pulau Kalimantan, Pulau Sulawesi,
Kepulauan Maluku, dan Sebagian wilayah Papua pengaruh ENSO terhadap curah hujan
lebih kuat dibandingkan pengaruh IOD.
a) c)
b) d)

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

99


Gambar 3. Pola spasial perbandingan pengaruh ENSO dan IOD terhadap curah hujan di
Indonesia berdasarkan musim lokal. (a) perbandingan ENSO dan IOD saat musim hujan;
dan (b) perbandingan ENSO dan IOD saat musim kemarau

Hasil kedua dari penelitian ini adalah pola spasial hubungan antara curah hujan dengan
ENSO dan IOD terhadap fluktuasi hujan selama musim monsun yang disajikan pada
Gambar 4. Selama musim DJF fluktuasi nilai SOI berpengaruh terhadap curah hujan di
bagian tengah Indonesia walaupun dengan sebaran yang tidak merata. Wilayah-wilayah
yang terkena dampak pengaruh ENSO adalah Sebagian kecil Pulau Jawa, sebagian
Kepulauan Nusa Tenggara, bagian timur laut Pulau Kalimantan, sebagian wilayah
Pulau Sulawesi, sebagian Kepulauan Maluku, dan sebagian wilayah Papua. Efek ENSO
terbesar terhadap fluktuasi hujan saat musim ini terjadi diluar wilayah Indonesia yaitu
Filipina dan sekitarnya. Sebaran spasial efek IOD terhadap fluktuasi curah hujan selama
musim DJF lebih kecil dibandingan efek ENSO. Seperti halnya ENSO, efek IOD
terhadap fluktuasi hujan juga hanya terjadi di wilayah timur Indonesia yaitu di Pulau
Kalimantan bagian timur, Pulau Sulawesi bagian timur, Kepulauan Maluku bagian
utara serta di sebagian kecil Papua. Kondisi yang lebih baik terjadi saat musim MAM.
Selama musim MAM efek ENSO tidak terlalu luas dibandingkan musim-musim
monsun lainnya, bahkan kejadian IOD memiliki dampak yang sangat kecil terhadap
fluktuasi hujan di wilayah Indonesia. Efek ENSO hanya terjadi di sisi luar Indonesia
yaitu di bagian utara dan selatan kecuali di Pulau Kalimantan bagian timur. Sisi luar
Indonesia yang terkena dampak kejadian ENSO saat musim MAM adalah Pulau
Sulawesi bagian utara, Kepulauan Maluku bagian utara, Kepulauan Nusa Tenggara
bagian selatan serta Pulau Papua bagian selatan. saat musim ini kejadian IOD hanya
berkorelasi dengan kejadian hujan di pesisir selatan Papua dan sedikit di wilayah
Kepulauan Maluku. Akan tetapi jenis korelasinya adalah korelasi positif yang berarti
saat terjadi IOD positif maka wilayah tersebut terjadi peningkatan curah hujan.
Pola spasial hubungan antara curah hujan dengan ENSO dan IOD saat musim JJA
mulai terlihat jelas dan mengelompok. Efek ENSO yang terluas saat musim monsun
terjadi pada masa JJA ini. Hanya sebagian kecil wilayah Indonesia yang curah hujannya
tidak berkorelasi signifikan dengan kejadian ENSO yaitu Pulau Sumatera bagian utara,
Pulau Kalimantan bagian timur laut, Kepulauan Nusa Tenggara bagian timur, dan
Papua bagian timur laut. Sedangkan efek IOD terhadap fluktuasi hujan di Indonesian
terlihat sangat jelas mengelompok di bagian barat daya Indonesia yaitu di Pulau
Sumatera bagian tenggara dan sebagian besar Pulau Jawa. Selama masa SON efek
a) c)

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


100

ENSO dan IOD masih terlihat luas bahkan efek IOD terluas terjadi pada musim ini.
Efek ENSO pada musim ini terlihat mulai melemah di wilayah barat Indonesia serta
bergerak kearah timur Indonesia. Hubungan antara curah hujan dengan ENSO di
wilayah Pulau Kalimantan, Sumatera dan Jawa lebih kecil dalam hal luas dan tingkat
korelasinya dibandingkan saat musim JJA. Akan tetapi wilayah Pulau Sulawesi dan
Kepulauan Maluku masih memiliki hubungan yang kuat dengan ENSO. Efek IOD
terhadap curah hujan di Indonesia selama musim ini mulai memasuki wilayah timur
Indonesia. Selain mempengaruhi curah hujan di Pulau Sumatera bagian tenggara dan
Pulau Jawa, efek IOD juga terlihat di Pulau Sulawesi, Kepulauan Nusa Tenggara,
Kepulauan Maluku dan sebagian Papua.

Gambar 4. Pola spasial hubungan antara curah hujan dengan ENSO dan IOD terhadap
hujan di Indonesia berdasarkan musim monsun. (a) pengaruh ENSO saat DJF; (b)
pengaruh ENSO saat MAM; (c) pengaruh ENSO saat JJA; (d) pengaruh ENSO saat SON;
(e) pengaruh IOD saat DJF; (f) pengaruh IOD saat MAM; (g) pengaruh IOD saat JJA;
dan (h) pengaruh IOD saat SON
a) e)
b) f)
c) g)
d) h)

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

101

Gambar 5 menyajikan pola spasial perbandingan pengaruh ENSO dan IOD terhadap
hujan di Indonesia berdasarkan musim monsun. Secara umum perbandingan kekuatan
pengaruh dari kedua indeks tersebut terhadap fluktuasi hujan selama musim monsun
memperlihatkan bahwa ENSO lebih berpengaruh dibandingkan IOD. Khusus pada
masa JJA dan SON, kejadian IOD lebih berpengaruh terhadap fluktuasi hujan
dibandingkan dengan ENSO untuk wilayah Pulau Sumatera bagian tenggara dan Pulau
Jawa bagian barat. Selain itu IOD juga lebih berpengaruh terhadap fluktuasi hujan di
bandingkan dengan ENSO selama masa SON di sebagian wilayah Kepulauan Nusa
tenggara dan sebagian Pulau Sulawesi bagian utara.

Gambar 5. Pola spasial perbandingan pengaruh ENSO dan IOD terhadap hujan di
Indonesia berdasarkan musim monsun. (a) perbandingan ENSO dan IOD saat DJF; (b)
perbandingan ENSO dan IOD saat MAM; (c) perbandingan ENSO dan IOD saat JJA;
dan (d) perbandingan ENSO dan IOD saat SON

4. PEMBAHASAN
Pemanfaatan data penginderan jauh TRMM 3B43 untuk mengetahui hubungan curah
hujan dengan ENSO dan IOD memberikan gambaran pola spasial yang sangat menarik.
Dimana hubungan antara curah hujan dengan kedua jenis indeks tidak hanya
menggambarkan kondisi didarat tetapi juga gambaran spasial interaksi hubungan kedua
indeks dengan curah hujan antara daratan dan lautan. Hal ini bisa dilihat pada hubungan
antara IOD dengan curah hujan saat musim kemarau serta saat musim monsun JJA dan
SON (Gambar 2(d); 4(g); dan 4(h)) yang memperlihatkan bagaimana pengelompokan
pola hubungan tersebut berada di wilayah lautan dan daratan yaitu di bagian selatan
Pulau Jawa dan Pulau Sumatera. Kondisi yang sama juga terlihat dari gambaran spasial
hubungan antara ENSO dengan curah hujan saat musim hujan serta saat musim monsun
MAM (Gambar 2(a) dan 4(b)). Gambaran pola spasial menunjukkan saat sebagian
a) c)
b) d)

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


102

besar wilayah daratan Indonesia tidak berhubungan dengan ENSO, ternyata di bagian
timur laut Indonesia terdapat zona pengelompokan hubungan curah hujan dan ENSO
yang cukup tinggi yang membentang dari timur laut Pulau Kalimantan, utara Pulau
Sulawesi, utara Kepulauan Maluku sampai utara Papua. Hasil yang sama juga diperoleh
oleh Ropelewski and Halpert (1987) serta Ropelewski and Halpert (1996) yang
menyatakan bahwa di lokasi tersebut pengaruh ENSO terjadi dari bulan Oktober sampai
Mei. Akan tetapi disisi lain, pemanfaatan data penginderaan jauh TRMM 3B43 masih
belum bisa menganalisis efek kondisi lokal terhadap fluktuasi curah hujan karena masih
memiliki resolusi spasial yang rendah yaitu 0.25 derajat.
Hasil analisis kuantitatif memperlihatkan bahwa curah hujan di Indonesia sangat
berhubungan dengan kejadian ENSO dan IOD khususnya pada musim kemarau dan
musim monsun JJA dan SON. Kejadian kemarau berkepanjangan disebagian besar
wilayah Indonesia erat kaitannya dengan peningkatan SPL di bagian tengah Samudra
Pasifik serta pendinginan SPL dibagian timur Samudra Hindia. Akan tetapi bila terjadi
pendinginan SPL di bagian tengah Samudra Pasifik dan pemanasan SPL di bagian
timur Samudra Hindia akan menyebabkan peningkatan curah hujan di sebagian wilayah
Indonesia saat musim kemarau dan memajukan awal musim hujan. Sedangkan selama
musim hujan dan musim DJF kejadian ENSO dan IOD hanya mempengaruhi di
sebagian kecil wilayah Indonesia, bahkan saat musim monsun MAM kejadian IOD
sama sekali tidak mempengaruhi curah hujan di Indoensia dan ENSO hanya
mempengaruhi sebagian kecil lain wilayah Indonesia. Hasil ini senada dengan
penelitian-penelitian sebelumnya yang menyatakan bahwa ENSO dan IOD sangat
mempengaruhi besaran hujan saat musim kemarau dan saat musim monsun JJA dan
SON (Seperti Hendon, 2003a; Hamada et al., 2002; Philander, 1990; Haylock and
McBride, 2001; Tjasyono dkk., 2008; Aldrian and Susanto, 2003; Saji and Yamagata,
2003b; Bannu et al., 2005).
Hubungan yang tinggi antara curah hujan dengan ENSO dan IOD saat musim kemarau
terjadi karena kedua fenomena tersebut mempengaruhi kondisi SPL di perairan
Indonesia (Hendon, 2003a). SPL di sebagian wilayah Indonesia memiliki korelasi yang
negatif dengan dengan kejadian ENSO saat musim kemarau (Hendon, 2003a; Sukresno,
2010). Saat terjadi penghangatan SPL di bagian tengah samudra pasifik, maka kondisi
SPL di lautan Indonesia mengalami pendinginan yang lebih dingin dari kondisi
normalnya. Kondisi ini mengakibatkan melemahnya angin monsun tenggara dan angin
zonal timur-barat yang merupakan sumber konveksi di wilayah Indonesia. Pendingan
SPL ini juga menghambat proses evapotranspirasi yang merupakan sumber uap air
untuk proses terjadinya awan. Kondisi sebaliknya akan terjadi saat penghangatan SPL
di bagian tengah Samudra Pasifik.
Pendinginan SPL di Selatan Pulau Sumatera yang mengindikasikan kejadian IOD
positif juga mempengaruhi proses evapotranspirasi di wilayah ini yang mengakibatkan
menurunnya curah hujan hujan di daerah sekitarnya (Saji et al., 1999), kondisi
sebaliknya terjadi bila fenomena IOD negatif berlangsung. Fenomena hubungan curah
hujan dengan IOD saat musim monsun SON di wilayah Indonesia bagian tengah
merupakan sesuatu yang menarik untuk dikaji lebih dalam. Secara umum hal ini

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

103

mungkin disebabkan oleh melemahnya (menguatnya) angin monsun tenggara yang
berasal dari Autralia akibat pendinginan (penghangatan) SPL di bagian timur Samudra
Hindia.
Hubungan yang kurang jelas antara curah hujan dengan ENSO dan IOD saat musim
hujan dapat dijelaskan dari berbagai aspek seperti pendapat Roswintiarti (1999) yang
mengatakan bahwa hubungan yang kurang jelas terjadi karena puncak kejadian ENSO
biasanya terjadi saat musim kemarau sehingga tidak terdapat hubungan antara kejadian
ENSO dengan curah hujan saat musim hujan. Alasan yang sama juga dijelaskan oleh
Juneng and Tangang (2005) yang mengatakan bahwa urutan kejadian ENSO dimulai
pada masa musim monsun JJA dan berakhir pada masa musim monsun MAM.
Sedangkan menurut Hamada et al. (2002) ketidak jelasan hubungan tersebut terjadi
karena mekanisme hujan saat musim hujan berupa kelompok awan tidak terpengaruh
akibat kejadian ENSO.
Sebab lain lemahnya hubungan antara ENSO dengan dengan curah hujan saat musim
hujan dijelaskan oleh Haylock and McBride (2001). Mereka mengatakan bahwa
fluktuasi hujan saat musim hujan yang dikontrol oleh pengendali-pengendali iklim
dalam skala meso dan sub meso diperkuat juga oleh kondisi lokal yang mencakup
keadaan dan kondisi laut, keberadaan pulau-pulau besar dan kecil, serta kondisi
topografi yang kompleks. Efek dari kompleksitas pengaruh pengendali-pengendali
iklim tersebut yang beriringan melemahkan pengaruh ENSO terhadap curah hujan saat
musim hujan. Di sisi lain, Hendon (2003a) dan Hendon (2003b) menghubungkan
korelasi yang rendah antara ENSO dengan curah hujan saat musim hujan dengan
kondisi SPL di lautan Indonesia. Menurutnya saat musim hujan kondisi SPL yang
hangat di lautan Indonesia cenderung bertahan dan meredam efek dari ENSO yang
terjadi di Samudra Pasifik. Keadaan ini dibuktikan oleh tidak jelasnya hubungan antara
SPL di Indonesia dengan ENSO saat musim hujan (Hendon, 2003b; Sukresno, 2010).
Kondisi-kondisi yang sama juga mungkin mengakibatkan rendahnya hubungan antara
IOD dengan curah hujan saat musim hujan.
Keadaan-keadaan tersebut menggambarkan bahwa interaksi laut-atmosfer di Indonesia
dan sekitarnya berperan penting terhadap perbedaan kekuatan efek kejadian ENSO dan
IOD terhadap fluktuasi curah hujan secara spasial dan temporal. Adanya zona
pengelompokan-pengelompokan sebaran pengaruh ENSO dan IOD terhadap curah
hujan baik secara secara spasial maupun temporal mengindikasikan adanya pengaruh
lain, selain yang dijelaskan sebelumnya, yang membatasi efek ENSO dan IOD terhadap
fluktuasi curah hujan di Indonesia dan sekitarnya. Zona pengelompokan-
pengelompokan tersebut bisa juga terjadi akibat keberadaan daerah konvergensi antar
tropis (DKAT; ITCZ; Inter-Tropical Convergence Zone) yang merupakan daerah
pertemuan sirkulasi Hedley dari utara dan selatan. Jalur DKAT sifatnya fluktuatif yang
diakibatkan oleh pergerakan matahari dan kondisi suhu di permukaan bumi.
Keberadaan jalur DKAT yang fluktuatif dan proses awal terjadiannya yang berbeda saat
musim SON dan MAM mungkin dapat menjelaskan lebih rinci alasan hubungan yang
kuat antara ENSO dan IOD dengan curah hujan pada saat musim monsun transisi SON
serta hubungan yang tidak jelas antara ENSO dan IOD dengan curah hujan pada saat
monsun transisi MAM. Akan tetapi hubungan tersebut harus diteliti lebih jauh dan

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


104

diintegrasikan dengan proses-proses lain yang beriringan dengan kejadian DKAT untuk
memastikan adanya efek DKAT terhadap pengelompokan spasial dan temporal
hubungan curah hujan dengan ENSO dan IOD diwilayah Indonesia.

5. KESIMPULAN
Pola spasial hubungan curah hujan dengan ENSO dan IOD di Indonesia yang
diobservasi menggunakan data TRMM 3B43 serta nilai SOI dan DMI periode 1998
sampai 2009 telah dilakukan dengan analisis musiman berdasarkan musim lokal dan
musim monsun. Hasil penelitian menunjukkan bahwa penggunaan data penginderaan
jauh dapat memberikan informasi interaksi pengelompokan spasial dan temporal yang
baik tentang hubungan antara ENSO dan IOD dengan curah hujan untuk wilayah
daratan dan lautan. Adanya zona pengelompokan-pengelompokan spasial dan temporal
tersebut memberikan informasi tentang kemungkinan adanya pengendali iklim global
lain yang mempengaruhi perbedaan kekuatan efek ENSO dan IOD seperti pengaruh
dari zona DKAT.
ENSO dan IOD memiliki pola temporal yang sama dalam mempengaruhi curah hujan
di Indonesia. Kedua fenomena tersebut mempengaruhi fluktuasi hujan selama musim
kemarau serta saat musim monsun JJA dan SON. Sedangkan saat musim hujan serta
musim monsun DJF dan MAM pengaruh kedua fenomena tersebut tidak jelas khusunya
didalam wilayah Indonesia. Gambaran spasial menunjukan pengaruh ENSO dan IOD
terhadap curah hujan di Indonesia terlihat sangat dinamis. Secara umum ENSO
berpengaruh terhadap fluktuasi hujan di sebagian besar wilayah Indonesia, kecuali di
ujung barat dan ujung timur Indonesia. Sedangkan IOD hanya berpengaruh di bagian
selatan Indonesia khsusunya di Pulau Sumatera bagian tengara dan Pulau Jawa bagian
barat. Berdasarkan pola spasial dan temporal yang dihasilkan maka dapat disimpulkan
bahwa hubungan antara curah hujan dengan ENSO dimulai saat musim monsun JJA
dengan lokasi penyebaran di bagian barat daya dan tengah Indonesia. Saat musim SON,
efek ENSO mulai meninggalkan bagian barat Indonesia dan bergerak ke arah timur dan
timur laut Indonesia. Musim DJF pengaruh ENSO mulai meninggalkan Indonesia dan
bergerak ke arah utara dan sedikit ke arah selatan Indonesia. Sedangakn saat musim
MAM, pengaruh ENSO di wilayah Indonesia sudah benar-benar menghilang dan
mengelompok ke arah timur laut dan tenggara Indonesia. Keadaan yang sama juga
terjadi pada fenomena IOD. Efek IOD dimulai pada musim JJA di bagian barat daya
Indonesia. Musim SON sebaran efek IOD mulai meluas ke arah tengah dan timur
Indonesia. Saat musim DJF, efek IOD meninggalkan wilayah barat daya Indonesia dan
bergerak ke arah timur laut Indonesia. Dan saat musm MAM efek IOD di Indonesia
menghilang.

DAFTAR REFERENSI
Aldrian, E., and R.D. Susanto. 2003. Identification of Three Dominant Rainfall Regions within
Indonesia and Their Relationship to Sea Surface Temperature. International Journal of
Climatology, 23. 14351452.

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

105

Aldrian, E., L.D. Gates, and F.H.Widodo. 2007. Seasonal variability of Indonesian rainfall in
ECHAM4 simulations and in the reanalyses: The role of ENSO. Theoretical and Applied
Climatology, 87. 4159.
Aldrian, E., and Y.S. Djamil. 2008. Spatio-temporal climatic change of rainfall in East Java
Indonesia. International Journal of Climatology, 28. 435448.
As-syakur, A.R., dan R. Prasetia. 2010. Pola Spasial Anomali Curah Hujan Selama Maret
Sampai Juni 2010 Di Indonesia; Komparasi Data TRMM Multisatellite Precipitation
Analysis (TMPA) 3B43 dengan Stasiun Pengamat Hujan. Dipresentasikan dalam Seminar
Ilmiah Nasional Ikatan Ahli Teknik Penyehatan dan Teknik Lingkungan Indonesia (IATPI)
di Universitas Udayana pada tanggal 29 Juli 2010. Denpasar-Indonesia.
As-syakur, A.R. 2010. Pola Spasial Pengaruh Kejadian La Nina Terhadap Curah Hujan di
Indonesia Tahun 1998/1999; Observasi Menggunakan Data TRMM Multisatellite
Precipitation Analysis (TMPA) 3B43. Dipresentasikan dalam Pertemuan Ilmiah Tahunan
(PIT) XVII dan Kongres Masyarakat Penginderaan Jauh Indonesia (MAPIN) V di Institut
Pertanian Bogor pada tanggal 9 Agustus 2010. Bogor-Indonesia.
As-syakur, A.R., T. Tanaka, R. Prasetia, I.K. Swardika, and I.W. Kasa. 2010. Comparison of
TRMM Multisatellite Precipitation Analysis (TMPA) products and daily-monthly gauge
data over Bali Island. International Journal of Remote Sensing, In Press.
Bannu, H. Kuze, N. Takeuchi, and D.A. Suriamihardja. 2005. Impacts of the sea surface
temperature anomaly in the Pacific and Indian Oceans on the Indonesian climate. Paper in
the 11th CEReS International Symposium on Remote Sensing on 13 to 14 December 2005
at Chiba University. Chiba-Japan.
Bell, G.D., M.S. Halpert, C.F. Ropelewski, V.E. Kousky, A.V. Douglas, R.C. Schnell, and M.E.
Gelman. 1999. Climate Assessment for 1998. Bulletin of the American Meteorological
Society, 80(5). S1-S48
Bell, G.D., M.S. Halpert, R.C. Schnell, R.W. Higgins, J. Lawrimore, V.E. Kousky, R. Tinker,
W. Thiaw, M. Chelliah, and A. Artusa. 2000. Climate Assessment for 1999. Bulletin of the
American Meteorological Society, 81(6). S1-S50
Chokngamwong, R., and L.S. Chiu. 2008. Thailand Daily Rainfall and Comparison with TRMM
Products. Journal of Hydrometeorology, 9. 256266.
Hamada, J., M.D. Yamanaka, J. Matsumoto, S. Fukao, P.A. Winarso, and T. Sribimawati. 2002.
Spatial and temporal variations of the rainy season over Indonesia and their link to ENSO.
Journal of the Meteorological Society of Japan, 80. 285-310
Haylock, M., and J.L. McBride. 2001. Spatial coherence and predictability of Indonesian wet
season rainfall. Journal of Climate, 14. 38823887
Hendon, H.H. 2003a. Indonesian rainfall variability: impacts of ENSO and local airsea
interaction. Journal of Climate, 16, 17751790.
Hendon, H.H. 2003b. Impacts of air-sea coupling on variability of the Indonesian monsoon. In
Current issues in the parameterization of convection: extended abstracts of
presentations at the fifteenth annual BMRC Modelling Workshop 1316 October 2003, P.J.
Meighen and A.J. Hollis (ed.), pp. 109-112 (Australia: Bureau of Meteorology Research
Centre).
Hong, Y., R.F. Adler, G.J. Huffman, and H. Pierce. 2010. Applications of TRMM-Based Multi-
Satellite Precipitation Estimation for Global Runoff Prediction: Prototyping a Global Flood
Modeling System. In Satellite Rainfall Applications for Surface Hydrology, M.
Gebremichael and F. Hossain (ed.), pp. 245-266 (Netherlands: Springer Verlag).

Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


106

Huffman, G.J., R.F. Adler, B. Rudolf, U. Schneider, and P.R. Keehn. 1995: Global precipitation
estimates based on a technique for combining satellite-based estimates, rain gauge analysis,
and NWP model precipitation information. Journal of Climate, 8. 1284-1295.
Huffman, G.J. 1997. Estimates of root-mean-square random error for finite samples of estimated
precipitation. Journal of Applied Meteorology, 36(9). 1191-1201.
Huffman, G.J., R.F. Adler, P. Arkin, A. Chang, R. Ferraro, A. Gruber, J. Janowiak, A. McNab,
B. Rudolph, and U. Schneider. 1997. The global precipitation climatology project (GPCP)
combined precipitation dataset. Bulletin of the American Meteorological Society, 78, 5-20.
Huffman, G.J., R.F. Adler, D.T. Bolvin, G. Gu, E.J. Nelkin, K.P. Bowman, Y. Hong, E.F.
Stocker, and D.B. Wolff. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA):
Quasi-Global, Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales. Journal
of Hydrometeorology, 8 (1). 38-55.
Huffman, G.J., R.F. Adler, D.T. Bolvin, and E.J. Nelkin. 2010. The TRMM Multi-satellite
Precipitation Analysis (TMPA). In Satellite Rainfall Applications for Surface Hydrology,
M. Gebremichael and F. Hossain (ed.), pp. 3-22 (Netherlands: Springer Verlag).
Islam, M.N., and H. Uyeda. 2007. Use of TRMM in determining the climatic characteristics of
rainfall over Bangladesh. Remote Sensing of Environment, 108. 264276.
Juneng, L., and F.T. Tangang. 2005. Evolution of ENSO-related rainfall anomalies in Southeast
Asia region and its relationship with atmosphereocean variations in Indo-Pacific sector.
Climate Dynamics, 25. pp. 337350.
Knnen, G.P., P.D. Jones, M.H. Kaltofen, and R.J. Allan, 1998. Pre-1866 Extensions of the
Southern Oscillation Index Using Early Indonesian and Tahitian Meteorological Readings.
Journal of Climate, 11. 23252339
Kummerow, C., J. Simpson, O. Thiele, W. Barnes, A.T.C. Chang, and E. Stocker. 2000. The
status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit.
Journal of Applied Meteorology, 39. 19651982.
Luo, J-J., R. Zhang, S.K. Behera, Y. Masumoto, F.F. Jin, R. Lukas, and T. Yamagata. 2010.
Interaction between El Nio and extreme Indian Ocean Dipole. Journal of Climate, 23.
726742
Mehta, A.V., and S. Yang. 2008. Precipitation climatology over Mediterranean Basin from ten
years of TRMM measurements. Advanced Geosciences, 17. 8791.
Mulyana, E. 2002a. Hubungan Antara ENSO dengan Variasi Curah Hujan Di Indonesia. Jurnal
Sains & Teknologi Modifikasi Cuaca, 3(1). pp. 1-4.
Mulyana, E. 2002b. Pengaruh Dipole Mode Terhadap Curah Hujan Di Indonesia. Jurnal Sains
& Teknologi Modifikasi Cuaca, 3(1). pp. 39-43.
Nicholls, N. 1988. El Nio-Southern Oscillation and Rainfall Variability. Journal of Climate, 1.
418-421
Petty, G.W., and W.F. Krajewski. 1996. Satellite estimation of precipitation over land.
Hidrological Science, 41(4). 433-451
Petty, G.W. 1995. The Status of Satellite-Based Rainfall Estimation over Land. Remote Sensing
of Environment, 51. 125-137
Philander, S.G. 1990. El Nio, La Nia, and the Southern Oscillation. Academic Press, San
Diego, CA, 289 pp.

Pola Spasial Hubungan Curah Hujan dengan ENSO dan IOD
di Indonesia - Observasi Menggunakan Data TRMM 3B43
Bunga Rampai Penginderaan J auh Indonesia, 2011

107

Ropelewski, C.F., and P.D. Jones .1987. An Extension of the Tahiti-Darwin Southern
Oscillation Index. Monthly Weather Review, 115. 2161-2165
Ropelewski, C.F., and M.S. Halpert. 1987. Global and regional scale precipitation patterns
associated with the El NioSouthern Oscillation. Monthly Weather Review, 115. 1606
1626
Ropelewski, C.F., and M.S. Halpert. 1989. Precipitation patterns associated with the high index
phase of the Southern Oscillation. Journal of Climate, 2. 268-284
Ropelewski, C.F., and M.S. Halpert. 1996. Quantifying Southern Oscillation-precipitation
relationships. Journal of Climate, 9. 1043-1059
Roswintiarti, O. 1999. Statistical Analysis and Numerical Simulations of the Intertropoical
Convergence Zone during Normal and ENSO Years. Ph.D. Dissertation, North Carolina
State University, USA.
Saji, N.H., and T. Yamagata. 2003a. Structure of SST and surface wind variability during Indian
Ocean Dipole Mode years: COADS observations. Journal of Climate, 16. 27352751
Saji, N. H., and T. Yamagata. 2003b. Possible impacts of Indian Ocean dipole mode events on
global climate. Climate Research, 25. 151169.
Saji, N.H., B.N. Goswami, P.N. Vinayachandran, and T. Yamagata. 1999. A dipole mode in the
tropical Indian Ocean. Nature, 401, 360-363.
Su, F., Y. Hong, and D.P. Lettenmaier. 2008. Evaluation of TRMM Multisatellite Precipitation
Analysis (TMPA) and Its Utility in Hydrologic Prediction in the La Plata Basin. Journal of
Hydrometeorology, 9. 622640.
Sukresno, B. 2010. Empirical Orthogonal Functions (EOF) Analysis of SST Variability in
Indonesian Water Concerning With ENSO and IOD. International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Science, Volume XXXVIII, Part
8. pp. 116-121.
Tjasyono, B., A. Lubis, I. Juaeni, Ruminta, dan S.W.B. Harijono. 2008. Dampak variasi
temperatur samudera pasifik dan hindia ekuatorial terhadap curah hujan di Indonesia.
Jurnal sains dirgantara LAPAN, 5(2). pp. 1-13.
von Storch, H., and F.W. Zwiers. 1999. Statistical Analysis in Climate Research. Cambridge
University Press, UK. 484 pp.
Xie, P., and P.A. Arkin. 1996. Analyses of global monthly precipitation using gauge
observations, satellite estimates and numerical model predictions. Journal of Climate, 9.
840858.
Xie, P., A. Yatagai, M. Chen, T. Hayasaka, Y. Fukushima, C. Liu, and S. Yang. 2007. A Gauge-
Based Analysis of Daily Precipitation over East Asia. Journal of Hydrometeorology, 8.
607626.



Abd. Rahman As-syakur
Bunga Rampai Penginderaan J auh Indonesia, 2011


108

BIOGRAFI PENULIS
Abd. Rahman As-syakur
Abd. Rahman As-syakur, Lahir di Dompu pada tanggal 4
Desember 1981. Sejak tahun 2005 sampai saat ini merupakan staf
peneliti pada Pusat Penelitian Lingkungan Hidup (PPLH)
Universitas Udayana dan sejak tahun 2007 sampai saat ini juga
merupakan staf peneliti pada Center for Remote Sensing and
Ocean Science (CReSOS) Universitas Udayana. Pendidikan
Strata 1 (S1) diselesaikan di Jurusan Tanah Fakultas Pertanian
Universitas Udayana pada tahun 2005, sedangkan Strata 2 (S2)
juga diselesaikan di Universitas Udayana pada tahun 2009
melalui Program Magister Ilmu Lingkungan dengan konsentrasi Oceanography and
Remote Sensing. Pada Oktober 2009 sampai Maret 2010, penulis mendapat kesempatan
sebagai mahasiswa peneliti di Universitas Yamaguchi, Jepang.
Beberapa artikel hasil penelitian tentang penginderaan jauh, sistem informasi geografi,
dan klimatologi telah dipresentasikan pada seminar nasional dan international serta
diterbitkan di beberapa jurnal nasional, jurnal international, dan prosiding seminar
nasional seperti pada jurnal Bumi Lestari, jurnal Pijar MIPA, International Journal of
Remote Sensing, Remote Sensing, Prosiding Pertemuan Ilmiah Tahunan XVI
Masyarakat Penginderaan Jauh Indonesia (MAPIN), dan Prosiding Pertemuan Ilmiah
Tahunan VI Ikatan Sarjana Oseanologi Indonesia (ISOI). Selain itu beberapa artikel
lainnya masih dalam proses evaluasi oleh para pemeriksa naskah seperti pada jurnal
Lingkungan Tropis, Prosiding Pertemuan Ilmiah Tahunan XVII MAPIN, dan
International Journal of Remote Sensing.
109

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan
Indonesia Terkait dengan Proyeksi Iklim di Masa Mendatang




Eddy Hermawan
(1)
dan Nur Febrianti
(2)

(1) (2)
Pusat Sains dan Teknologi Atmosfer
Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
Jln. Dr. Djundjunan 133, Bandung 40173
E-mail :
(1)
eddy_lapan@yahoo.com dan
(2)
nfebrianti@gmail.com

Abstrak
Salah satu rekomendasi yang disampaikan pada acara pertemuan sidang IPCC
(Intergovernmental Panel on Climate Change) ke 31 tanggal 26-29 Oktober 2009 di
Bali dan juga pertemuan GEOSS (Global Earth System to System) ke 4 tanggal 10-12
Maret 2010 dan juga di Bali telah merekomendasikan bahwa interkonekasi fenomena
atmosfer yang terjadi di atas kawasan Indonesia perlu dikaji lagi lebih mendalam terkait
dampak yang ditimbulkannya terhadap iklim global. Atas dasar itulah, maka makalah
ini dibuat dengan tujuan utamanya menganalisis perilaku hasil silang antara fenomena
El-Nio yang diwakili oleh kawasan SST Nio 3.4 dengan Dipole Mode Indeks (DMI)
selama 29 tahun pengamatan periode Januari 1979 hingga Desember 2008. Berbasis
kepada hasil analisis dengan menggunakan teknik analisis wavelet dan juga FFT (Fast
Fourier Transform), kami mendapatkan bahwa osilasi baru tersebut berkisar sekitar
lima belas tahunan. Jika siklus ini berjalan sempurna (tanpa ada faktor lain yang
mengganggunya), maka berbasis kejadian tahun 1997, diperkirakan tahun 2012/2013
nanti, kita akan mengalami musim kering yang berkepanjangan seperti kejadian tahun
1997. Dan untuk mengetahui kawasan mana saja yang akan dilanda mengalami
kekeringan terlebih dahulu, hasil analisis data GPCP (Global Precipitation Climatology
Project). Untuk meyakinkan apakah skenario ini akan menjadi kenyataan, maka
dilakukanlah analisis data siklus 11 tahunan matahari yang dikenal dengan siklus
bilangan sun-spot, dimana pada siklus ke-24 nanti yang diduga akan jatuh pada tahun
2012/2013. Penjelasan lebih lanjut tentang interkoneksi yang terjadi terkait juga dengan
peran siklus ke-24 matahari dan juga prediksi musim kering yang berkepanjangan serta
mekanisme pembentukannya akan kami bahas secara penuh pada full makalah nanti.
Kata kunci : Interkoneksi, SST Nio 3.4, DMI, Siklus ke-24 matahari dan kekeringan



Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


110

1. PENDAHULUAN
Sebagaimana diketahui bersama hampir sebagian besar wilayah permukaan bumi ini
(sekitar 70%) diselimuti oleh lautan, dan sisanya oleh daratan. Dengan kata lain, airlah
yang ternyata mendominasi planet kita yang satu-satunya ini. Indonesia merupakan
suatu negara dengan luasan perairan relatif cukup besar yang memiliki karakteristik
yang berbeda dengan atmosfer di daerah khatulistiwa lainnya yang kita kenal sebagai
Indonesia Maritime Continent (IMC) atau lebih dikenal dengan istilah Benua Maritim
Indonesia (BMI). Hal ini disebabkan letak geografisnya yang unik, yakni diapit oleh
dua benua besar (Asia dan Australia) dan dua samudera besar (Hindia dan Pasifik).
Konsekwensinya, kawasan ini dianggap sebagai salah satu kawasan penting dunia
sebagai penyimpan bahang (panas) terbesar bagi pembentukan awan-awan
cumulonimbus (Hermawan, 2003). Berdasarkan hal tersebut maka sangat menarik
apabila melakukan pengkajian mengenai lautan maupun interaksinya baik itu dengan
daratan maupun dengan atmosfer.
Membahas mengenai cuaca atau iklim tidak akan lepas dari hubungan/interaksi antara
daratan, lautan maupun udara di wilayah tersebut. Pola pergerakan semu matahari
merupakan suatu sumber energi pembentuk cuaca atau iklim yang berbeda di wilayah
tropis, subtropis dan kutub. Pola pergerakan semu matahari pada lintang yang berbeda
membawa pengaruh terhadap jumlah energi yang diterima oleh wilayah-wilayah di
permukaan bumi. Hal ini menyebabkan adanya interaksi antara daratan, lautan maupun
udara. Pembahasan mengenai interaksi antara daratan, lautan dan udara serta
pengaruhnya merupakan suatu kajian yang menarik untuk memprediksi cuaca/iklim.
Samudera Hindia adalah salah satu lautan terbesar di dunia sehingga merupakan bahan
kajian yang cukup menarik untuk memahami variabilitas iklim di sekitar wilayah
tersebut termasuk Indonesia. Pada tahun 1997, dua kelompok peneliti dari Jepang
menemukan suatu fenomena yang mirip dengan El Nio di daerah Samudera Hindia.
Fenomena tersebut menunjukan bahwa suhu masa air di sepanjang ekuator Samudera
Hindia cenderung berosilasi. Massa air hangat (dingin) ini terakumulasi di bagian timur
Samudera Hindia dekat Indonesia sedangkan massa air dingin (hangat) di bagian Barat
Samudera Hindia dekat Afrika. Hal ini mengakibatkan perubahan SST dalam skala
besar sehingga berpengaruh terhadap pola iklim di daerah sekitarnya, temasuk pola
curah hujan yang terjadi di Indonesia.
Iklim di Indonesia yang secara geografis merupakan benua maritim dicirikan oleh
keragaman curah hujan yang cukup besar antar daerah. Selain mendapat pengaruh dari
sirkulasi udara pada skala global maupun regional, pembentukan awan dan hujan di
Indonesia juga dipengaruhi oleh kondisi lokal, seperti topografi dan suhu permukaan
laut di perairan Indonesia. Pulau Sumatera secara keseluruhan juga memiliki
karakteristik iklim yang khas secara regional maupun lokal. Wilayahnya memiliki
barisan pegunungan yang membujur dari utara sampai selatan, dikelilingi oleh lautan
yang terdiri dari Samudera Hindia, Laut Jawa, Selat Malaka, Selat Karimata, dan dekat
dengan Laut Cina Selatan. Hal ini menyebabkan proses pembentukan awan dan hujan
di Sumatera mendapat pengaruh dari kondisi alam tersebut selain pengaruh dari
pergerakan posisi semu matahari dan sirkulasi global.

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia
Terkait dengan Proyeksi Iklim di Masa Mendatang
Bunga Rampai Penginderaan J auh Indonesia, 2011

111

Karakteristik iklim, khususnya hujan di Pulau Sumatera dapat dianalisis secara akurat
berdasarkan data iklim dari stasiun meteorologi. Namun untuk analisis spasial, hal ini
sangat ditentukan oleh kerapatan jaringan penakar hujan. Untuk daerah-daerah dengan
jaringan penakar hujan yang cukup rapat dan merata seperti di Pulau Jawa hal tersebut
tidak menjadi masalah. Namun untuk wilayah-wilayah seperti Sumatera, kerapatan
jaringan penakar hujan tidak sama untuk seluruh propinsi dan juga tidak sebanyak
jaringan yang ada di Pulau Jawa. Disini terlihat bahwa Indonesia merupakan satu
kawasan daerah tropis yang unik dimana dinamika atmosfernya dipengaruhi oleh
kehadiran angin pasat, aliran angin monsunal, iklim marine dan pengaruh berbagai
kondisi lokal. Cuaca dan iklim di Indonesia mempunyai karakteristik khusus yang
hingga kini mekanisme proses pembentukannya belum banyak diketahui.
Iklim dapat didefinisikan sebagai ukuran statistik cuaca untuk jangka waktu tertentu
dan cuaca menyatakan status atmosfer pada sembarang waktu tertentu. Dua unsur
utama iklim adalah suhu dan curah hujan. Indonesia sebagai daerah tropis ekuatorial
mempunyai variasi suhu yang kecil, sementara variasi curah hujannya cukup besar.
Oleh karena itu curah hujan merupakan unsur iklim yang paling sering diamati
dibandingkan dengan suhu.
Secara umum curah hujan di wilayah Indonesia didominasi oleh adanya pengaruh
beberapa fenomena, antara lain sistem Monsun Asia-Australia, El-Nino, sirkulasi
Timur-Barat (Walker Circulation) dan Utara-Selatan (Hadley Circulation) serta
beberapa sirkulasi karena pengaruh lokal (Mcbride, 2002). Variabilitas curah hujan di
Indonesia sangatlah kompleks dan merupakan suatu bagian chaotic dari variabilitas
monsun (Ferranti (1997), dalam Aldrian (2003)). Monsun dan pergerakan ITCZ
(Intertropical Convergence Zone) berkaitan dengan variasi curah hujan tahunan dan
semi-tahunan di Indonesia (Aldrian, 2003), sedangkan fenomena El-Nino dan Dipole
Mode berkaitan dengan variasi curah hujan antar-tahunan di Indonesia. Pada makalah
ini kami ingin menunjukkan tentang peranan data iklim global, khususnya kombinasi
antara data DMI dengan ESPI sebagai langkah awal di dalam kita mengantisipasi
terjadinya kondisi ektrim kering yang bakal terjadi di sekitar pertengahan Oktober 2012
nanti.

2. LANDASAN TEORI SISTEM DINAMIKA ATMOSFER DI INDONESIA
Dinamika atmosfer Indonesia sangatlah kompleks. Tidak hanya faktor Monsun yang
relatif dominan berperan, juga faktor lain seperti kombinasi interaksi antara fenomena
ENSO (El-Nio and Southern Oscillation), DMI (Dipole Mode Index) dan faktor lokal
juga berperan besar. Belum lagi masalah fenomena MJO (Madden-Julian Oscillation)
yang hingga kini mekanisme pembentukannya belum sepenuhnya diketahui dengan
baik dan benar. Salah satu faktor terjadinya variabilitas iklim khususnya curah hujan
antar tahunan di wilayah Indonesia adalah fenomena berskala global yang dikenal
dengan nama ENSO. Secara umum peristiwa ENSO berulang antara 2-7 tahun. Di
Indonesia, peristiwa ENSO diidentikkan dengan musim kering yang melebihi kondisi
normalnya. Hal ini berbanding terbalik dengan peristiwa La-Nia yang justru

Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


112

menghasilkan curah hujan melebihi batasan normalnya (Ropelweski dan Halpert,
1987).
Terdapat hubungan yang erat antara curah hujan di Indonesia dan indikator ENSO
seperti dengan suhu permukaan laut (SST=Sea Surface Temperature) di wilayah Pasifik
Timur (dikenal dengan daerah Nio) atau dengan Indeks Osilasi Selatan (SOI=Southern
Oscillation Index) sebagaimana yang telah banyak dilaporkan oleh beberapa peneliti
(Haylock dan McBride 2001; Hendon, 2003; Aldrian, 2002; Gunawan dan Gravenhorst,
2005).
Dalam dekade terakhir, fenomena yang mirip dengan ENSO, tetapi berada di samudera
Hindia telah mulai manarik perhatian para peneliti bidang atmosfer dan kelautan karena
ternyata memberi dampak yang saling menguatkan atau memperlemah pengaruh
ENSO. Peristiwa osilasi yang terjadi di wilayah barat Indonesia ini dikenal dengan
sebutan DMI (Dipole Mode Index) setelah pertama kali di kemukakan oleh peneliti
Jepang Yamanaga dan Saji di tahun 1992.
DMI merupakan fenomena interaksi antara laut dan atmosfer di Samudera Hindia yang
ditetapkan berasarkan selisih suhu permukaan laut di perairan sebelah timur benua
Afrika dan di perairan Samudera Hindia sebelah barat pulau Sumatera. Selisih suhu
permukaan laut kedua tempat tersebut disebut Indeks Dipole Mode (Dipole Mode
Index, DMI).
Pada saat DMI positif, maka pusat tekanan rendah berada di pantai timur Afrika yang
menyebabkan bergesernya pusat pusat konveksi di wilayah Indonesia bagian barat
menuju ke arah timur sehingga intensitas curah hujan di wilayah Indonesa bagian barat
umumnya rendah. Sebaliknya, pada saat DMI negatif, justru pusat tekanan rendah
berada di pantai barat P. Sumatera, sehingga pusat pusat konveksi bergeser ke arah
pantai barat P. Sumatera, intensitas curah hujan di wilayah Indonesia bagian barat
umumnya akan relatif tinggi.
Selain itu, Dipole Mode umumnya terjadi secara bebas, tidak saling mengikat dengan
El-Nio dan Osilasi Selatan serta merupakan fenomena kopel atmosfer-laut yang unik
di Samudera Hindia Tropis (Saji et al., 1999; Webster et al., 1999; Ashok et al., 2001).
Kajian tentang peran El-Nio dan Dipole Mode, secara terpisah sebagai fenomena
dalam sistem iklim di kawasan tropis telah banyak dilakukan. Namun perilaku dan
peran fenomena tersebut secara bersama-sama, terhadap curah hujan belum banyak
diketahui (Saji et al, 1999).
Sementara penjalaran osilasi ke arah timur dengan periode antara 30-60 harian di
atmosfer tropis pertama kali diteliti oleh Rolland Madden dan Paul Julian pada tahun
1971 (Chang & Lim, 1986). Osilasi ini merupakan sirkulasi skala besar yang terjadi di
daerah ekuator dan berpusat di Samudera Hindia dan bergerak ke arah timur antara 10
0

LU dan 10
0
LS. Fenomena inilah yang biasa disebut dengan Madden Julian Oscillation
(MJO). Ada dua mekanisme utama yang biasa dipakai untuk menjelaskan proses
pembentukannya, yaitu teori CISK (Conditional Instability of the Second Kind), (Lau
and Peng, 1987), dan Evaporation-wind feedback, (Neelin, et.al., 1987).

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia
Terkait dengan Proyeksi Iklim di Masa Mendatang
Bunga Rampai Penginderaan J auh Indonesia, 2011

113

Menganalisis variabilitas curah hujan tidak lepas dari pengetahuan tentang pola dasar
curah hujan yang ada di wilayah Indonesia. Aldrian (2003) telah menggunakan data
curah hujan periode 1961-1990 untuk mengelompokkan pola hujan kedalam tiga tipe
hujan yaitu tipe Monsun, tipe anti Monsun, dan tipe dua puncak. Pengelompokkan ini
didasarkan pada pola distribusi curah hujan bulanan. Tipe hujan Monsun, sesuai
namanya dipengaruhi oleh sirkulasi monsun dengan puncak curah hujan berada pada
bulan-bulan Desember-Januari-Februari (DJF) dan curah hujan rendah terjadi pada
bulan-bulan Juni-Juli-Agustus (JJA).
Sebagian besar wilayah Indonesia memiliki pola hujan seperti ini. Pola hujan tipe anti-
monsun berpola kebalikan dari tipe hujan monsun dalam arti waktu terjadinya periode
curah hujan maksimum dan minimum. Daerah yang memiliki pola ini tidak seluas tipe
monsun, dan terdapat di daerah Sulawesi Tengah bagian timur, Maluku dan bagian
utara Papua. Pola hujan tipe dua puncak terdapat disekitar ekuator dari pulau Sumatera,
Kalimantan dan Sulawesi.
Terlepas dari itu semua, yang penting adalah dapatkah keberadaan data iklim global
(dalam bentuk indeks) seperti ENSO, DMI, Monsun dan MJO dapat digunakan dalam
ikut mendukung penentuan awal musim di Indonesia, khususnya di kawasan sentra
produksi tanaman pangan. Hal ini penting dilakukan agar kejadian ekstrim kering
berkepanjangan seperti yang terjadi di tahun 1982 dan 1997 dapat diantisipasi
kehadirannya.
Dengan asumsi bahwa curah hujan yang terjadi atau turun di suatu wilayah dipengaruhi
oleh iklim global, maka besarnya curah hujan yang akan turun di suatu wilayah
merupakan fungsi dari fenomena global di atas yang dapat disederhanakan menjadi :
CH = f (ENSO, DMI, Monsun, MJO) + Error
Yang perlu diingat adalah adanya keterkaitan (interaksi) yang erat antara fenomena
iklim global satu dengan lainnya. Kejadian ekstrim kering tahun 1997, terjadi akibat
dua fenomena global yakni El-Nino dan DMI+ terjadi secara simultan (bersamaan).
Dengan kata lain, mereka ada kalanya saling menguatkan, namun kadang pula saling
melemahkan seperti nampak pada Gambar 1.
Apa yang menyebabkan adanya perbedaan pola distribusi curah hujan di satu wilayah
sentra produksi tanaman pangan dengan wilayah lainnya hingga kini belum banyak
dilakukan orang. Belum banyak diketahui tentang perilaku interaksi yang terjadi
diantara fenomena iklim global yang ada, baik antara ENSO dengan Dipole Mode,
ENSO dengan Monsun, ENSO dengan MJO, Dipole Mode dengan Monsun, Dipole
Mode dengan MJO, ataupun antara Monsun dengan MJO.
Apakah Dipole Mode di Samudra Hindia mempunyai pengaruh yang sangat signifikan
terhadap perilaku curah hujan di kawasan Indonesia bagian barat. Hal ini pun masih
perlu dikaji lebih mendalam. Sampai saat ini belum ada satu model iklim pun yang
mampu menjelaskan keterkaitan antara fenomena ENSO, IOD, Monsoon, dan MJO
dengan pola distribusi curah hujan yang terjadi di wilayah sentra produksi tanaman
pangan.


Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


114


Gambar 1. Time series data DMI vs Nino 3.4 periode Januari 1997 - Desember 1998

Perhatian utama dalam program penelitian kami kali ini adalah ingin mengembangkan
suatu model prediksi pola distribusi curah hujan di wilayah produksi tanaman pangan
yang tersebar di beberapa kawasan di Indonesia bagian Barat, Tengah dan Timur.

3. DATA DAN METODE ANALISIS
Ada tiga data utama yang kami gunakan dalam penelitian ini, yakni data Dipole Mode
Indeks yang kami dapat dari http://www.jamstec.go.jp/frcgc/research/d1/iod, data SST
Nio3.4 yang kami dapat dari http://www.cpc.ncep.noaa.gov/data/indices/sstoi.indices,
dan data ESPI (ENSO Precipitation Index) yang kami dapat dari
http://precip.gsfc.nasa.gov/ESPItable.html. Perlu dicatat disini bahwa seluruh data di
atas kami set dari bulan Januari 1979 hingga Desember 2008. Sementara untuk data
pendukung, kami gunakan data GPCP (Global Precipitation Climatology Project)
periode Oktober 1996, 1997, dan 1998. Sementara metode analisis yang kami pakai
utamanya adalah teknik spektral, yakni menggunakan analisis PSD=Power Spectral
Density untuk mengetahui osilasi dominan dari masing-masing indeks fenomena iklim

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia
Terkait dengan Proyeksi Iklim di Masa Mendatang
Bunga Rampai Penginderaan J auh Indonesia, 2011

115

dan cuaca global. Salah satu hasil analisis data di atas, dapat dilihat pada Gambar 2
berikut:


Gambar 2. PSD untuk berbagai data iklim global

4. HASIL DAN PEMBAHASAN
Langkah pertama yang kami tunjukkan adalah menganalisis time series daripada data
Dipole Mode Index (DMI), SST Nio3.4, ESPI (ENSO Precipitation Index) periode
Januari 1979 hingga Desember 2008 seperti nampak pada Gambar 3 berikut ini.


Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


116

Gambar 3. Time series DMI, SST Nio3.4, dan ESPI periode Januari 1979 - Desember
2008
Dari Gambar 3 di atas terlihat jelas adanya kesamaan pola yang dihasilkan oleh data
ESPI (ditunjukkan dengan warna hitam) dan SST Nio3.4 (ditunjukkan dengan warna
hijau), sementara data DMI (ditunjukkan dengan warna merah) menunjukkan pola yang
sedikit agak berbeda. Hal ini menunjukkan bahwa terjadi kesamaan pola antara data
ESPI dan SST Nio3.4, sehingga kita boleh menggunakan salah satu diantara
keduanya. Untuk diperoleh hasil analisis yang lebih tajam (akurat), maka dilakukanlah
analisis osilasi dominan daripada ketiga parameter di atas menggunakan teknik spektral,
yakni FFT (Fast Fourier Transform) dan juga wavelet seperti nampak pada Gambar 4
berikut ini.

Gambar 4. PSD data DMI, SST Nio3.4, dan ESPI periode Januari 1979 - Desember 2008

Disini terlihat jelas bahwa SST Nio3.4 memiliki nilai PSD paling besar, sementara dua
parameter lainnya (DMI dan ESPI) memiliki nilai yang hampir relatif sama. Yang perlu
dicatat disini adalah nilai osilasi dominan daripada ketiga parameter di atas, yakni 45
bulanan (~3.8 tahun), 60 bulanan (~5 tahun), dan 36 bulanan (~3 tahun), masing-
masing untuk data SST Nio3.4, ESPI, dan DMI.
Dengan asumsi data SST Nio3.4 dapat diwakilkan oleh data ESPI, maka sesuai
dengan landasan teori sebelumnya yang menyatakan bahwa akan terjadi kering yang
relatif sangat panjang melebihi kondisi normal (lebih dari 6 bulan), maka yang sangat

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia
Terkait dengan Proyeksi Iklim di Masa Mendatang
Bunga Rampai Penginderaan J auh Indonesia, 2011

117

menarik untuk dikaji lebih lanjut adalah bila kedua parameter tadi (ESPI dan DMI)
digandakan. Hasilnya, dapat dilihat pada Gambar 5 dan 6 berikut ini.

Gambar 5. Sama dengan Gambar 4, tetapi hasil silang (digandakan atau dikalikan)
antara data DMI dan data ESPI


Gambar 6. Sama dengan Gambar 4, tetapi menggunakan analisis wavelet


Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


118

Satu hal yang menarik disini adalah adanya osilasi baru yang dikenal sebagai osilasi
180 bulanan atau osilasi 15 tahunan (lihat Gambar 5 di atas). Juga terlihat jelas di
Gambar 5, adanya kenaikan variasi rata-rata yang sangat signifikan di sekitar bulan
Oktober 1997. Kita tahu, pada saat itu, hampir seluruh kawasan Indonesia dilanda
musim kering yang berkepanjangan seperti nampak pada Gambar 7(a), (b), dan (c)
berikut ini. Disini terlihat dengan jelas, adanya perbedaan yang sangat signifikan
intensitas curah hujan di atas Indonesia sebelum, selama dan setelah kejadian ektrim
kering di bulan Oktober 1997.
(a) (b)


(c)

Gambar 7. Intensitas curah hujan rata-rata di atas Indonesia selama bulan (a) Oktober
1996; (b) Oktober 1997; dan (c) Oktober 1998

5. KESIMPULAN
Walaupun ENSO dan Dipole Mode bukanlah merupakan osilasi dominan dalam sistem
dinamika atmosfer Indonesia yang memang tergolong unik dan kompleks, namun
kehadiran keduanya, apalagi jika keduanya bergabung menjadi satu dalam waktu yang
bersamaan (simultan), maka akan menimbulkan dampak yang sangat serius (severe).
Dengan asumsi bahwa keduanya fenomena atmosfer di atas berosilasi sempurna, dan

Analisis Interkoneksi Fenomena Atmosfer di Atas Kawasan Indonesia
Terkait dengan Proyeksi Iklim di Masa Mendatang
Bunga Rampai Penginderaan J auh Indonesia, 2011

119

dengan menggunakan standard masa kering panjang tahun 1997, maka diduga tahun
2012 nanti, tepatnya di sekitar bulan Oktober, Indonesia kembali akan dilanda musim
kering panjang seperti hal nya di tahun 1997.

DAFTAR PUSTAKA
Aldrian E, Susanto D. 2003. Identification of Three Dominant Rainfall Regions Within
Indonesia and Their Relationship to Sea Surface Temperature. International Journal of
Climatology.
Aldrian E, Susanto D. 2003. Simulations of Indonesian Rainfall with a Hierarchy of Climate
Models. Disertasi pada Hamburg, Jerman.
Bannu. 2003. Analisis Interaksi Monsun, Enso, dan Dipole Mode serta Kaitannya dengan
Variabilitas Curah Hujan dan Angin Permukaan di Benua Maritim Indonesia. Tesis
Magister pada GM ITB Bandung.
Berliana, Sinta. 1995. The Spectrum Analysis of Meteorological Elements in Indonesia. Nagoya
University. Japan.
Davidson NE. 1984. Short-term fluctuations in the Australian Monsoon During Winter Monex.
Monthly Weather Review 112: 16971708
Davidson NE, McBride JL, McAvaney BJ. 1984. Divergent Circulations During The Onset of
The 197879 Australian Monsoon. Monthly Weather Review 112: 16841696.
Gusmira, Eva. 2005. Pengaruh Dipole Mode terhadap Angin Zonal dan Curah Hujan di
Sumatera Barat. Tugas Akhir pada GM ITB Bandung : tidak diterbitkan.
Hermawan, Eddy. 2003. The Characteristics of Indian Ocean Dipole Mode Premiliminary
Study of the Monsoon Variability in the Western Part of Indonesian Region. Jurnal Sains
Dirgantara,Vol. 1 No.1 Desember 2003. Lembaga Penerbangan dan Antariksa Nasional (
LAPAN ). Jakarta.
Khrisnamurti, T. N. 1971. Tropical East-West Circulations During The Northern Summer. J.
Atmos. Sci.
Mukarami, Takio dan Zadrach L. Dupe. 2000. Interannual Variability of Convective Intensity
Index Over Indonesia and Its Relationship with Enso. J. Meteorologi dan Geofisika, Vol. 1,
No. 4, p. 1-23.
Mulyana, Erwin. 2001. Interannual Variation of Rainfall over Indonesia and Its Relation to the
Atmospheric Circulation, ENSO and Indian Ocean Dipole Mode. Hokaido University.
Japan.
Prawirowardoyo, Susilo. 1996. Meteorologi. Penerbit ITB. Bandung.
Saji NH, B. N. Goswami, P. N. Vinayachandran and T. Yamagata. 1999. A Dipole Mode in The
Tropical Indian Ocean. in Macmillan Magazines ltd, Nature, Vol.401.
Saji NH., and T. Yamagata. 2001. The Tropical Indian Ocean Climate System from The Vantage
Point of Dipole Mode Events. Submitted to Journal of Climate.
Saji NH., and T. Yamagata. 2003. Structure of SST and Surface Wind Variability During Indian
Ocean Dipole Events : COADS observations. J. Climate, in press.
Soenarmo, Sri Hartati. 2001. Meteorologi Tropis. Dept. GM-ITB. Penerbit ITB.
Shyamala, B dan S. Sudevan. 2002. Satellite Studies of Monsoon Process. Regional
Meteorological Centre, Colaba.

Eddy Hermawan dan Nur Febrianti
Bunga Rampai Penginderaan J auh Indonesia, 2011


120

Suryachandra A. Rao, Swadhin K. Behera, Yukio Masumoto, and Toshio Yamagata. 2001.
Interannual Subsurface Variability in The Tropical Indian Ocean With Special Emphasis
on The Indian Ocean Dipole. Japan
Tjasjono, bayong. 2004. Klimatologi Umum. Penerbit ITB Bandung.


BIOGRAFI PENULIS
Nur Febrianti, S.Si.

Lahir di Jambi 04 Februari 1981. Menamatkan Sekolah Dasar di
Jambi, SMPN 12 dan SMUN 3 di Padang 1999, serta memperoleh
gelar sarjana di IPB Jurusan Geofisika dan Meteorologi 2004.
Setelah lulus kuliah bekerja di LAPAN, dan diterima menjadi
Pegawai Negri Sipil 2008 sampai sekarang di lembaga yang sama.
Pelatihan tingkat international yang pernah diikuti yaitu antara lain
Elucidation of ground based atmosphere observation network in
equatorial asia kerjasama LAPAN dan JSPS-Jepang, 2008. dan
Spring School on Fluid Mechanics and Geophysics of
Environmental Hazards - Institute for Mathematical Sciences, National University of
Singapore, 2009.
Pengalaman penelitian di bidang iklim dan aplikasinya 2004 sekarang. Semenjak
2005 hingga 2010 telah mempublikasikan delapan makalah penelitian yang terkait.

121

Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM




Erma Yulihastin
Lembaga Penerbangan dan Antariksa Nasional
Jl. Dr. Djunjunan 133 Bandung 40173, Telp. (022) 6037445
Email: erma@bdg.lapan.go.id; erma.yulihastin@gmail.com

Abstrak
Penelitian ini membahas karakteristik curah hujan konvektif dan stratiform di Indonesia
berdasarkan data hasil pengukuran curah hujan oleh radar presipitasi Satelit TRMM
(Tropical Rainfall Measuring Mission). Data yang digunakan adalah curah hujan
konvektif dan stratiform rata-rata bulanan di permukaan (2 km) 2A25 Satelit TRMM
periode 10 tahun (1998-2007). Lokasi penelitian adalah wilayah BMI dengan batas
wilayah (90-150BT, 10LS-10LU). Hasil penelitian pada curah hujan konvektif
menunjukkan bahwa di wilayah monsunal BMI, periode musim hujan terjadi pada
bulan November hingga April dengan nilai antara 2 hingga lebih dari 5 mm/hari.
Sedangkan musim kemarau terjadi pada Mei hingga Oktober dengan nilai curah hujan
antara 0 hingga 4 mm/hari. Puncak musim hujan pada curah hujan konvektif terjadi
pada Desember-Januari-Februari di wilayah monsunal BMI dengan nilai antara 3.5
hingga lebih dari 5 mm/hari. Sementara puncak musim kemarau pada curah hujan
konvektif terjadi pada Juli-Agustus-September di wilayah monsunal BMI dengan nilai
antara 0 hingga 1.5 mm/hari. Pada curah hujan stratiform, periode musim hujan terjadi
pada rentang yang lebih pendek dibandingkan curah hujan konvektif, yaitu sejak
Desember hingga Maret dengan nilai antara 2 hingga lebih dari 5 mm/hari di wilayah
monsunal BMI. Sedangkan musim kemarau terjadi pada rentang yang lebih panjang
yaitu sejak April hingga November dengan nilai curah hujan antara 0 hingga 4.5
mm/hari. Puncak musim hujan pada curah hujan stratiform terjadi pada Desember-
Januari-Februari di wilayah monsunal BMI dengan nilai antara 3.5 hingga lebih dari 5
mm/hari. Sementara puncak musim kemarau pada curah hujan konvektif terjadi pada
Juni-Juli-Agustus di wilayah monsunal BMI dengan nilai antara 0 hingga 1.5 mm/hari.
Analisis temporal untuk tiga wilayah tipe curah hujan monsunal (90-150 BT, 5-10
LS), ekuatorial (90-100 BT, 0-2 LU), lokal atau antimonsunal (120-135 BT, 2-4
LU), menunjukkan tampak bahwa baik curah hujan konvektif maupun curah hujan
stratiform memiliki pola yang sama. Pada wilayah monsunal, curah hujan konvektif dan
stratiform mencapai nilai tertinggi sekitar 3 mm/hari pada bulan Februari. Pada wilayah
ekuatorial, puncak curah hujan konvektif terjadi dua kali dalam setahun yaitu pada
bulan April (>3 mm/hari) dan November (>4 mm/hari). Sedangkan untuk curah hujan
stratiform terjadi pada bulan Juli (>4 mm/hari) dan November (>5 mm/hari). Pada
wilayah lokal atau antimonsunal, curah hujan konvektif tertinggi terjadi pada bulan Juni
(3.5 mm/hari) dan curah hujan stratiform tertinggi pada bulan Mei (3 mm/hari).

Erma Yulihastin
Bunga Rampai Penginderaan J auh Indonesia, 2011


122

Kata kunci: Satelit TRMM, Konvektif, Stratiform, BMI
Abstract
This research studied about characteristic of convective and stratiform rain in the
Indonesia Maritime Continent (IMC) based on TRMM (Tropical Rainfall Measuring
Mission) satellite using precipitation radar observation. Data were used namely a ten-
years (1998-2007) of monthly and near surface (2 km) of the convective and stratiform
rain. Research area of studied was IMC (90-150E, 10S-10N). Research analysis
were spatial and temporal method. The result showed that for convective rain, rainy
season occured over monsoonal area of IMC from November to April, 2 until more than
5 mm/day. Dry season occured from May to October, 0 - 4 mm/day. The peak of rainy
season due to convective occurred in December-January-February over monsoonal
area of IMC, from 3.5 to more than 5 mm/day. Whereas the peak of dry season
occurred in July-August-September from 0 to 1.5 mm/day. On the other side, based on
the stratiform rain, rainy season occurred in the shorter period from December to
March over monsoonal area of IMC, 2 until more than 5 mm/day. Dry season occured
from April to November, 0 4.5 mm/day. The peak of rain season occurred in
December-January-February over monsoonal area of IMC, from 3.5 to more than 5
mm/day. Whereas the peak of dry season occurred in June-July-August from 0 to 1.5
mm/day. Temporal analysis for the three area of rainy type namely monsoonal (90-
150E, 5-10S), equatorial (90-100E, 0-2 N), local or antimonsoonal (120-135E,
2-4 N), described that convective and stratiform rain have the same pattern. For
monsoonal area, convective and stratiform rain reached highest value at about 3
mm/day in February. For equatorial area, peaks value of convective rain was reached
twice in April (>3 mm/day) and November (>4 mm/day). Whereas stratiform rain
occurred in July (>4 mm/day) and November (>5 mm/day). For local or antimonsoonal
area, convective rain reached highest in June (3.5 mm/day) and stratiform rain in May
(3 mm/day).
Keywords: TRMM Satellite, Convective, Stratiform, IMC

1. PENDAHULUAN
Studi mengenai karakteristik curah hujan konvektif dan stratiform di wilayah Benua
Maritim Indonesia (BMI) secara spesifik belum banyak dilakukan. Padahal, curah hujan
di BMI memiliki karakteristik yang sangat kompleks dan unik baik secara spasial
maupun temporal. Karena proses pembentukan curah hujan konvektif dan stratiform
memiliki perbedaan, maka penelitian secara mendetail mengenai dua tipe curah hujan
tersebut penting dilakukan untuk memahami secara lebih mendalam mekanisme dan
proses terjadinya curah hujan di wilayah BMI. Sebagaimana diketahui, curah hujan di
wilayah benua Maritim Indonesia memiliki pola curah hujan monsunal, lokal, dan
ekuatorial (Aldrian dan Susanto, 2003; Mustofa, 2000). Curah hujan berpola monsunal
ini terkait dengan siklus tahunan (Ramage, 1968; Chang dkk, 2005; Chang dkk., 2006)
yang terbentuk di wilayan Benua Maritim Indonesia karena pengaruh monsun.
Sementara curah hujan lokal merupakan curah hujan berpola antimonsunal yang banyak

Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM
Bunga Rampai Penginderaan J auh Indonesia, 2011

123

dipengaruhi oleh faktor lokal wilayah tersebut. Sedangkan curah hujan ekuatorial
berpola semitahunan dengan dua maksima dalam satu tahun, dipengaruhi oleh posisi
semu matahari terhadap bumi. Oleh karena itu, kajian mendalam mengenai curah hujan
konvektif dan stratiform dalam tiga pola tersebut perlu untuk dilakukan.
Curah hujan konvektif terbentuk dari suatu sistem konvektif skala meso, hasil dari
proses pematangan awan-awan konvektif (Cetrone dan Houze, 2009). Curah hujan
konvektif dalam level yang lebih rendah disebut dengan curah hujan shallow yang
mekanismenya banyak dipengaruhi oleh sirkulasi panas laten di atas Lautan (Kodama,
2009; Liu dan Zipser, 2009)
Data curah hujan permukaan (near surface rain) yang diperoleh dari satelit TRMM
dipandang lebih merepresentasikan intensitas curah hujan yang sebenarnya terjadi di
atmosfer (bukan yang jatuh di permukaan tanah), sebab satelit ini mengukur butiran
hujan dengan menggunakan radar presipitasi. Curah hujan permukaan yang diperoleh
dari satelit TRMM merupakan nilai rata-rata curah hujan pada ketinggian sekitar 1.5
hingga 2 kilometer, atau sama dengan ketinggian pada level tekanan 850 milibar
(TRMM, 2005; Schumacher C. dan Houze, 2003).
Selain itu, satelit TRMM yang memiliki lintasan atau cakupan wilayah tropis (30
lintang) hingga saat ini masih menjadi satu-satunya wahana satelit yang paling tinggi
resolusinya dalam mengukur curah hujan di wilayah tropis sehingga tepat digunakan
untuk studi mengenai karakteristik dan mekanisme curah hujan tropis (Suryantoro dkk,
2009).
Dengan memahami karakteristik jangka panjang 10 tahun mengenai curah hujan
konvektif dan stratiform dalam variasi spasial dan temporal melalui wahana satelit
TRMM, maka diharapkan pemahaman mengenai curah hujan di BMI menjadi lebih
komprehensif dan detail.

2. DATA DAN METODE
Data curah hujan permukaan (near surface rain) dari Satelit TRMM 2A25 versi 6
selama periode waktu satu tahun (1998-2007) digunakna dalam penelitian ini. Curah
hujan permukaan yang dimaksud dalam data tersebut adalah intensitas rata-rata hujan
pada ketinggian 1.5-2 km dari permukaan laut, dalam satuan milimeter. Curah hujan
tersebut dihasilkan dari pengukuran radar presipitasi terhadap butiran hujan yang ada di
atmosfer. Radar presipitasi merupakan salah satu sensor yang melekat dalam satelit
TRMM. Resolusi spasial data curah hujan tersebut adalah 2.5X2.5 derajat. Wilayah
penelitian di kawasan BMI berada pada rentang 90-150 BT, dan 10 LU-10 LS.
Data ini diolah menggunakan software pengolah data GrADS (Grid Analysis and
Display System) versi 20. Gambar spasial curah hujan dan angin zonal ditampilkan
menggunakan gradasi warna, sementara gambar vektor angin pada level ketinggian 850
milibar dan 200 milibar ditampilkan dalam bentuk vektor angin yang meliputi arah dan
besar kekuatan angin.
Variasi temporal curah hujan bulanan selama sepuluh tahun digambarkan dalam bentuk
grafik deret waktu untuk kawasan monsunal yang membentang di bagian selatan BMI

Erma Yulihastin
Bunga Rampai Penginderaan J auh Indonesia, 2011


124

(90-150 BT, 5-10 LS). Analisis yang digunakan dalam penelitian ini adalah analisis
spasial dan temporal.

3. ANALISIS
3.1 Karakteristik Spasial Curah Hujan Konvektif


Gambar 1. Curah hujan konvektif permukaan (2 km) 1998-2007 TRMM 2A25
di BMI (90-150 BT, 10 LS-10LU)


Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM
Bunga Rampai Penginderaan J auh Indonesia, 2011

125

Klimatologi curah hujan konvektif selama periode 9 tahun seperti tampak pada Gambar
1 menunjukkan bahwa periode musim hujan berlangsung sejak November hingga April.
Hal ini dapat dikenali dari pola curah hujan monsunal yang terjadi di Pulau Jawa dan
sekitarnya dengan intensitas lebih dari 4.5 milimeter/hari. Sedangkan periode musim
kemarau di BMI terjadi sejak Mei hingga Oktober, ditandai dengan intensitas curah
hujan kurang dari 4 milimeter/hari.
Puncak curah hujan konvektif di wilayah monsunal BMI (Jawa dan sekitarnya) terjadi
pada bulan Februari. Hal ini tampak pada distribusi intensitas curah hujan antara 2.5
sampai lebih dari 5 milimeter/hari. Dibandingkan dengan bulan Desember dan Januari,
curah hujan yang memiliki nilai lebih dari 4.5 milimeter/hari mencakup area yang
paling luas (Jawa dan Nusa tenggara) daripada area pada bulan Januari yang hanya
mencakup pulau Jawa dan bulan Desember yang meliputi hanya sebagian pulau Jawa.
Curah hujan konvektif paling minimum terjadi pada bulan Agustus. Ini ditandai dengan
nilai curah hujan konvektif di wilayah monsunal BMI kurang dari 1 milimeter/hari.
Curah hujan paling minimun tersebut mencakup area yang paling luas dibandingkan
bulan Juli, Juni, atau September. Lihat kembali Gambar 1.
3.2 Karakteristik Spasial Curah Hujan Stratiform
Sementara itu, seperti diperlihatkan Gambar 2, curah hujan stratiform di BMI (Jawa dan
sekitarnya) berlangsung dalam periode yang lebih pendek dibandingkan curah hujan
konvektif yaitu sejak November hingga Maret, dan memiliki rentang nilai curah hujan
antara 2.5 hingga lebih dari 4.5 milimeter/hari. Musim kemarau berlangsung antara
bulan April hingga Oktober dengan intensitas curah hujan kurang dari 2 milimeter/hari.
Puncak curah hujan stratiform di wilayah monsunal BMI (Jawa dan sekitarnya) terjadi
pada bulan Februari. Hal ini tampak pada distribusi intensitas curah hujan antara 3
sampai lebih dari 5 milimeter/hari. Dibandingkan dengan bulan Desember dan bulan
Januari yang memiliki curah hujan 2.5 hingga lebih dari 5 milimeter per hari.
Sama seperti pada curah hujan konvektif, curah hujan stratiform paling minimum pun
terjadi pada bulan Agustus. Ini ditandai dengan nilai curah hujan stratiform di wilayah
monsunal BMI kurang dari 1 milimeter/hari. Curah hujan paling minimun tersebut
mencakup area yang paling luas dibandingkan bulan Juli, Juni, atau September.

Erma Yulihastin
Bunga Rampai Penginderaan J auh Indonesia, 2011


126




Gambar 2. Curah hujan stratiform permukaan (2 km) 1998-2007 TRMM 2A25
di BMI (90-150 BT, 10 LS-10LU)

Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM
Bunga Rampai Penginderaan J auh Indonesia, 2011

127

3.3 Variasi Tahunan Curah Hujan Konvektif
Grafik deret waktu rata-rata bulanan selama sepuluh tahun menunjukkan curah hujan
konvektif untuk wilayah monsunal memiliki satu puncak dan satu lembah. Puncak
curah hujan terjadi pada bulan Februari (2,783 mm/hari) sedangkan curah hujan
minimum terjadi pada bulan Agustus (0.151 mm/hari). Hal ini seperti tampak pada
Gambar 3.
Di wilayah ekuatorial, grafik memiliki dua maksimum dan dua minimun. Curah hujan
maksimum terjadi pada bulan April (3.593 mm/hari) dan November (4.219 mm/hari)
sementara minimum berlangsung pada bulan Mei (2.824 mm/hari) dan Agustus (3.176
mm/hari).
Temuan yang berbeda dengan penelitian sebelumnya diperlihatkan oleh grafik curah
hujan konvektif untuk wilayah lokal atau antimonsunal. Curah hujan memiliki tiga nilai
maksimum dan tiga nilai minimum. Tiga nilai maksimum masing-masing terjadi pada
bulan Januari, Maret, Juni dengan nilai berturut-turut: 2.974 mm/hari, 2.501 mm/hari,
3.37 mm/hari. Adapun nilai minimum curah hujan terjadi pada bulan Februari (1.99
mm/hari), April (1.949 mm/hari), dan Agustus (2.069 mm/hari).



3.4 Variasi Tahunan Curah Hujan Stratiform
Pada Gambar 4, pola yang hampir sama dengan curah hujan konvektif monsunal
digambarkan oleh grafik curah hujan stratiform, yang juga memiliki satu puncak dan
satu lembah. Nilai maksimum sebesar 2,907 mm/hari terjadi pada bulan Februari
sedangkan curah hujan minimum terjadi pada bulan Agustus (0.134 mm/hari).
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12
Bulan Ke-
c
u
r
a
h

h
u
j
a
n

k
o
n
v
e
k
t
i
f

(
m
m
/
h
a
r
i
)
monsunal (90-150BT,5-10LS) equatorial (90-100BT,0-2LU) lokal (120-135BT, 2-4LU)
Gambar 3. Rata-rata tahunan curah hujan konvektif permukaan (2 km) 1998-2007
TRMM 2A25 tipe monsunal, ekuatorial, lokal

Erma Yulihastin
Bunga Rampai Penginderaan J auh Indonesia, 2011


128

Namun, berbeda dengan konvektif yang memiliki dua puncak dan dua lembah, di
wilayah ekuatorial curah hujan stratiform memiliki tiga maksimum dan tiga minimun.
Curah hujan maksimum terjadi pada bulan April (3.352 mm/hari), Juli (3.716 mm/hari),
November (5.356 mm/hari). Nilai minimum berlangsung pada bulan Februari (2.526
mm/hari), Mei (2.695 mm/hari), Agustus (2.772 mm/hari).
Demikian juga dengan curah hujan stratiform untuk wilayah lokal atau antimonsunal
yang memiliki tiga nilai maksimum dan tiga nilai minimum. Tiga nilai maksimum
masing-masing terjadi pada bulan Februari, Mei, November dengan nilai berturut-turut:
2.663 mm/hari, 3.236 mm/hari, 2.783 mm/hari. Adapun nilai minimum curah hujan
terjadi pada bulan Maret (1.73 mm/hari), Agustus (1.761 mm/hari), dan Desember
(1.784 mm/hari).



4. KESIMPULAN
Hasil penelitian pada curah hujan konvektif menunjukkan bahwa di wilayah monsunal
BMI, periode musim hujan terjadi pada bulan November hingga April dengan nilai
antara 2 hingga lebih dari 5 mm/hari. Sedangkan musim kemarau terjadi pada Mei
hingga Oktober dengan nilai curah hujan antara 0 hingga 4 mm/hari. Puncak musim
hujan pada curah hujan konvektif terjadi pada Desember-Januari-Februari di wilayah
monsunal BMI dengan nilai antara 3.5 hingga lebih dari 5 mm/hari. Sementara puncak
musim kemarau pada curah hujan konvektif terjadi pada Juli-Agustus-September di
wilayah monsunal BMI dengan nilai antara 0 hingga 1.5 mm/hari. Pada curah hujan
stratiform, periode musim hujan terjadi pada rentang yang lebih pendek dibandingkan
curah hujan konvektif, yaitu sejak Desember hingga Maret dengan nilai antara 2 hingga
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12
Bulan Ke-
c
u
r
a
h

h
u
j
a
n

k
o
n
v
e
k
t
i
f

(
m
m
/
h
a
r
i
)
monsunal (90-150BT,5-10LS) equatorial (90-100BT,0-2LU) lokal (120-135BT, 2-4LU)
Gambar 4. Rata-rata tahunan curah hujan statiform permukaan (2 km) 1998-2007
TRMM 2A25 tipe monsunal, ekuatorial, lokal


Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM
Bunga Rampai Penginderaan J auh Indonesia, 2011

129

lebih dari 5 mm/hari di wilayah monsunal BMI. Sedangkan musim kemarau terjadi
pada rentang yang lebih panjang yaitu sejak April hingga November dengan nilai curah
hujan antara 0 hingga 4.5 mm/hari. Puncak musim hujan pada curah hujan stratiform
terjadi pada Desember-Januari-Februari di wilayah monsunal BMI dengan nilai antara
3.5 hingga lebih dari 5 mm/hari. Sementara puncak musim kemarau pada curah hujan
konvektif terjadi pada Juni-Juli-Agustus di wilayah monsunal BMI dengan nilai antara
0 hingga 1.5 mm/hari. Analisis temporal untuk tiga wilayah tipe curah hujan monsunal
(90- 150 BT, 5- 10 LS), ekuatorial (90- 100 BT, 0- 2 LU), lokal atau
antimonsunal (120- 135 BT, 2- 4 LU), menunjukkan tampak bahwa baik curah
hujan konvektif maupun curah hujan stratiform memiliki pola yang sama. Pada wilayah
monsunal, curah hujan konvektif dan stratiform mencapai nilai tertinggi sekitar 3
mm/hari pada bulan Februari. Pada wilayah ekuatorial, puncak curah hujan konvektif
terjadi dua kali dalam setahun yaitu pada bulan April (>3 mm/hari) dan November (>4
mm/hari). Sedangkan untuk curah hujan stratiform terjadi pada bulan Juli (>4 mm/hari)
dan November (>5 mm/hari). Pada wilayah lokal atau antimonsunal, curah hujan
konvektif tertinggi terjadi pada bulan Juni (3.5 mm/hari) dan curah hujan stratiform
tertinggi pada bulan Mei (3 mm/hari).

5. UCAPAN TERIMA KASIH
Ucapan terima kasih diberikan kepada Prof. Yasu-Masa Kodama (Hirosaki University )
dan Prof. Toshitaka Tsuda (RISH, Kyoto University) yang telah menyediakan data-data
curah hujan TRMM yang digunakan dalam penelitian ini. Penelitian ini didukung oleh
Asia-Africa Science Platform Program, Japan Society for Promotion of Science (JSPS)
dalam program undangan riset di Jepang (Hirosaki University) bekerja sama dengan
LAPAN, Indonesia.

DAFTAR REFERENSI
Aldrian E. and Susanto R.D., Identification Of Three Dominant Rainfall Regions Within
Indonesia And Their Relationship To Sea Surface Temperature, Int. J. Climatol. 23, 1435
1452 (2003).
Cetrone J. and Houze RA Jr., Anvil Clouds of Tropical Mesoscale Convective Systems in
Monsoon Regions, Q.J.R. Meteorol. Soc. 135, 305-317 (2009).
Chang C.-P et al., Annual Cycle of Southeast Asia-Maritime Continent Rainfall and the
Asymmetric Monsoon Transition, Journal of Climate, 18, 287-301 (2005).
Chang C.P. dkk, 2006. Chapter 3: The Asian Winter-Australian Summer Monsoon: An
Introduction, The Asian Monsoon, Praxis Publishing, UK.
Kodama Y.-M. et al., Climatology of Warm Rain and Associated Latent Heating Derived from
TRMM PR Observations, Journal of Climate, 22, 4908-4929 (2009).
Liu C. and Zipser E.J., Warm rain in the Tropics: Seasonal and Regional Distributions Based on
9 yr of TRMM Data, Journal of Climate, 22, 767779 (2009).

Erma Yulihastin
Bunga Rampai Penginderaan J auh Indonesia, 2011


130

Mustofa M.A., 2000, Identifikasi Daerah Monsun dan Curah Hujan Berdasarkan Sifat Angin
Permukaan di Indonesia Bagian Barat, Tesis Master, Program Studi Oseanografi dan Sains
Atmosfer, ITB, Bandung.
Ramage C.S., Role of a Tropical Maritime Continent in the Atmospheric Circulation, Mon.
Weather Rev. 96:365-370 (1968).
Schumacher C. and Houze RA Jr., The TRMM Precipitation Radars View of Shallow, Isolated
Rain, Journal of Applied Meteorology, 42, 1519-1524 (2003).
Suryantoro Arief, dkk., 2009. Variasi Spasiotemporal Profil Vertikal Curah Hujan Indonesia
Berbasis Observasi Radar Presipitasi Satelit TRMM, Prosiding Seminar Nasional Proyeksi
Iklim dan Kualitas Udara 2010-2014, ISBN 978-9791458-33-7.
TRMM Precipitation Radar Team, TRMM Precipitation Radar Algorithm instruction manual for
version 6. JAXA and NASA Rep., 180 pp (2005).

BIOGRAFI PENULIS
Erma Yulihastin

Erma Yulihastin, lahir pada tanggal 4 Juli 1979 di Lamongan,
Jawa Timur. Bungsu dari dua bersaudara ini menamatkan
sekolah hingga SMU di Lamongan. Senang menulis karangan
sejak SD. Pada tahun 1997 ia melanjutkan pendidikan ke
Institut Teknologi Bandung Jurusan Geofisika dan Meteorologi.
Sejak Januari 2008 ia bekerja di LAPAN (Lembaga
Penerbangan dan Antariksa Nasional) sebagai Peneliti Bidang
Pemodelan Iklim Pusat Pemanfaatan Sains Atmosfer dan Iklim.
Beberapa karya tulis ilmiah yang telah diterbitkan terkait
dengan kepakarannya sebagai Peneliti Sains Atmosfer, antara lain: 1) Variabilitas OLR
Sebagai Indikasi Onset Monsun di Jawa, Prosiding Nasional, ISBN 978-979-1458-33-7
(2009), 2) Pengaruh El Nino 1997 terhadap Variabilitas Ozon Total Indonesia, Majalah
Sains dan Teknologi Dirgantara, ISSN 1907-0713 (2009), 4) Contribution Of Shallow
Rain To Develop Local Rainfall Type over Maritime Continent Based on TRMM PR
Data, International Preceeding, ISBN 978-602-95634-1-2 (2010).
Ia juga aktif menulis artikel ilmiah populer yang tersebar di berbagai media massa,
seperti: Indonesia Mampu Prediksi Iklim (www.beritaiptek.com, Juni 2008), Tahun Ini
Tidak Ada Kekeringan (www.beritaiptek.com, Juli 2008), Musim Kemarau 2008
Cenderung Basah (Tribun Jabar, Juli 2008), Jawa Pulau Terkering Tahun Ini (SINDO,
Juli 2008), Cuaca Ekstrem di Bandung (Pikiran Rakyat, Juli 2008), Kekeringan
Ekstrem di Jawa (Pikiran Rakyat, Agustus 2008), Dewan Perubahan Iklim Versus
Peneliti (Kompas, Agustus 2008), Kekeringan di Jawa Tidak Terkait ElNino (Kompas,
Agustus 2008), Bandung Tidak Dingin Lagi (Kompas, September 2008), Menuju
Indonesia Cerdas Iklim (Pikiran Rakyat, Januari 2009), Indonesia Penentu Iklim Dunia
(Pikiran Rakyat, Januari 2009), Puncak Musim Hujan Bergeser (Pikiran Rakyat,
Februari 2009), Banjir Bukan Karena Hujan Ekstrem (Pikiran Rakyat, Februari 2009),

Karakteristik Hujan Konvektif dan Stratiform di Indonesia
Berbasis Data Radar Presipitasi Satelit TRMM
Bunga Rampai Penginderaan J auh Indonesia, 2011

131

Cuaca Bandung Berubah Cepat (Pikiran Rakyat, Maret 2009), Puting Beliung, Small
Tornado yang Sulit Diprediksi (Pikiran Rakyat, April 2009), Kemarau Kering dan
Lama (Pikiran Rakyat, Juli 2009), El Nino Vs Badai Ketsana (Pikiran Rakyat,
Oktober 2009), Prakiraan Iklim Indonesia 2010 (Pikiran Rakyat, Januari 2010), Hujan
harian di bandung (Pikiran rakyat, Februari 2010), Cuaca Ekstrem Penyebab Banjir,
(Pikiran Rakyat, April 2010), Musim Hujan atau Kemarau? (Pikiran Rakyat, Mei 2010),
Ancaman Banjir di Musim Kemarau (Kompas, Juni 2010), Hujan Badai di Musim
Kemarau (Tribun, Juni 2010), Pemanasan Global dan Anomali Kemarau (Pikiran
Rakyat, Juli 2010). Bukunya mengenai sains atmosfer yang telah terbit adalah Peranan
Atmosfer Bumi, Azka Press, April 2008.
Selain itu, ia pun aktif mengikuti seminar dan pertemuan ilmiah baik di tingkat nasional
maupun internasional, yakni: Seminar Hari Bumi, LAPAN Bandung, Indonesia (2008
dan 2009). Workshop Sains Atmosfer, LAPAN Bandung, Indonesia (2008). Lecture of
Optical observation of clouds and the Atmosphere, AASP JSPS-LAPAN, Indonesia
(2008). Spring School on Fluid Mechanics and Geophysics of Environmental
Hazards (2009), NUS, Singapore. Lecture of Satellite and Ground Based Observation
of Atmospehere, AASP JSPS-LAPAN, Bandung (2009). Seminar Prediksi Iklim dan
Kualitas Udara 2010-2014, LAPAN, Bandung (2009). Invited researcher of Asia Africa
Platform Program, Japan Society for The Promotion Science (AAP-JSPS), Department
of Earth Science and Environment, Hirosaki University, Jepang (2009). The
International School on Atmosphere Radars, Profiling, Modeling and Forecasting,
National Central University, Jhong Li, Taiwan (2009). Workshop Methods and Tools
for Water related Adaptation to Climate change and Climate proofing, Bandung
(2010). The 5
th
Kyoto University Southeast Asia Forum Conference of the Earth and
Space Science, ITB, Bandung (2010). Seminar Sains Atmosfer 1: Sains Atmosfer dalam
Menghadapi Perubahan Iklim, LAPAN, Bandung (2010).
Saat ini Erma tinggal di Bandung dan komunikasi dengannya dapat dilakukan melalui
email: erma.yulihastin@gmail.com dan www.yulihastin.blogspot.com.

132

Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan
Bandung





Dandy Aditya Novresiandi , Budhy Soeksmantono, Ketut Wikantika
Program Studi Teknik Geodesi dan Geomatika
Fakultas Ilmu dan Teknologi Kebumian
Institut Teknologi Bandung
E-mail : dandyaditya@gmail.com

Abstrak
Penginderaan jauh menawarkan cara yang lebih mudah, cepat, hemat serta mencakup
area yang lebih luas untuk perhitungan stok karbon. Dalam penelitian ini dilakukan
perhitungan stok karbon dengan metode penginderaan jauh di Cekungan Bandung dari
data citra Satelit Landsat untuk tahun 1999, 2002 dan 2005. Stok karbon dihitung
dengan menggunakan Normalized Difference Vegetation Index (NDVI) yang diekstrak
dari data citra satelit untuk kemudian digunakan dalam model perhitungan stok karbon.
Berdasarkan perhitungan, diperoleh jumlah stok karbon pada tahun 1999 sebesar
522272.91 ton, tahun 2002 sebesar 494512.98 ton, dan tahun 2005 sebesar 561683.33
ton. Karena tidak adanya data pengukuran lapangan di Cekungan Bandung untuk
melakukan validasi, maka hasil dari penelitian ini dapat digunakan sebagai nilai
pendekatan jumlah stok karbon di Cekungan Bandung sebagai informasi yang berguna
untuk berbagai pihak dalam upaya pemantauan kondisi emisi gas di Cekungan
Bandung.
Kata kunci : Stok Karbon, NDVI, Cekungan Bandung

Abstract
Remote sensing offers an easier, faster, efficient way and it covers larger area for
measuring carbon stocks. In this study, the carbon stock in Bandung Basin is measured
by remote sensing methods from Landsat satellite imagery data for 1999, 2002 and
2005. Carbon stock is measured by the Normalized Difference Vegetation Index (NDVI)
derived from satellite imagery data for later use in model estimation of carbon stocks.
The results of the measurements for total estimated carbon stocks in 1999, 2002 and
2005 respectively are 522272.91 tons, 494512.98 tons, and 561683.33 tons. Due to no
field measurement data in Bandung Basin to perform validation, the results of this
study can be used as an estimation of carbon stocks in Bandung Basin. This information
is useful for people to monitor emission gasses in Bandung Basin.
Keywords : carbon stocks, NDVI, Bandung Basin


Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung
Bunga Rampai Penginderaan J auh Indonesia, 2011

133

1. PENDAHULUAN
Pemanasan global merupakan sebuah fenomena peningkatan suhu rata-rata permukaan
bumi. Peningkatan suhu tersebut akan berdampak langsung pada perubahan iklim dunia
yang memiliki efek jangka panjang terhadap manusia dan lingkungan (EPA, 2007).
Perlu diketahui bahwa penelitian yang telah dilakukan oleh para ahli di seluruh dunia
selama beberapa dekade terakhir ini menunjukan bahwa fenomena pemanasan global
ini terkait langsung dengan gas-gas rumah kaca yang dihasilkan dari aktivitas manusia.
Karbon dioksida merupakan salah satu zat yang termasuk dalam gas rumah kaca. Zat
ini secara alami timbul dari berbagai proses alami seperti letusan vulkanik, pernafasan
hewan dan manusia serta pembakaran material organik. Selain itu karbon dioksida juga
dapat timbul dari aktivitas-aktivitas manusia, khususnya penggunaan bahan bakar fosil
untuk industri dan transportasi. Namun, seiring dengan meningkatnya jumlah manusia
maka kebutuhan akan penggunaan bahan bakar fosil untuk kebutuhan manusia semakin
bertambah sehingga mengakibatkan peningkatan jumlah karbon dioksida di atmosfir.
Untuk menanggulangi hal itu, tumbuhan dapat mengurangi jumlah karbon dioksida di
atmosfir dengan menggunakan karbon dioksida dalam berbagai proses
pertumbuhannya. Melalui berbagai proses tersebut, tumbuhan dapat menyimpan karbon
dioksida di dalam tubuhnya sebagai stok karbon. Stok karbon adalah jumlah karbon
absolut yang tersimpan dalam biomassa tumbuhan pada waktu tertentu (IPCC, 2003).
Oleh karena itu tumbuhan sangatlah potensial untuk membantu mengatasi fenomena
pemanasan global dengan menyerap karbon dioksida yang ada di atmosfir dan
menyimpannya sebagai stok karbon (Nowak & Crane, 1998). Untuk mengetahui sejauh
mana peran tumbuhan dalam mereduksi karbon dioksida yang ada di atmosfer, maka
diperlukan suatu informasi banyaknya jumlah karbon dioksida yang disimpan oleh
tumbuhan di suatu area secara mewaktu (Myeong, et al., 2006). Secara tradisional,
penelitian dilakukan dengan pengukuran lapangan. Namun, metode ini memiliki banyak
kekurangan karena area penelitian yang terbatas serta membutuhkan biaya dan tenaga
yang besar.
Seiring dengan kemajuan teknologi, maka penginderaan jauh dapat digunakan sebagai
salah satu alat untuk mendapatkan informasi stok karbon tersebut (Asner, 2009).
Penginderaan jauh merupakan ilmu dan seni untuk memperoleh informasi tentang suatu
objek, daerah atau fenomena melalui analisa data yang diperoleh dengan suatu alat
tanpa kontak langsung dengan objek, daerah atau fenomena yang dikaji (Lillesand &
Kiefer, 1997). Data yang diperoleh dari penginderaan jauh berupa citra satelit dari
pantulan atau pancaran gelombang elektromagnetik objek-objek di permukaan bumi
yang berhasil diterima sensor, data tersebut dapat diolah menjadi suatu produk sesuai
dengan kebutuhan penggunanya.
Dengan memanfaatkan metode penginderaan jauh, maka dapat dihitung jumlah karbon
dioksida yang disimpan oleh tumbuhan di suatu daerah dengan menggunakan indeks
spektral NDVI untuk mendelineasi vegetasi dari citra suatu daerah, lalu mengkonversi
nilai indeks spektral yang didapatkan dengan menggunakan perhitungan suatu
persamaan untuk menghitung jumlah karbon dioksida yang disimpan oleh tumbuhan di
suatu daerah. Indeks spektral dapat digunakan untuk memperkirakan simpanan karbon

Dandy Aditya Novresiandi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


134

dioksida oleh tumbuhan karena setengah dari berat kering biomassa tumbuhan adalah
karbon dioksida (Myeong, et al., 2006).
Citra satelit yang digunakan dalam penelitian ini adalah citra band 3 dan 4 dari citra
satelit Landsat-7 ETM+ dan Landsat-5 TM tahun 1999, 2002 dan 2005.
Sedangkan tujuan dari penelitian ini adalah menghitung stok karbon berdasarkan NDVI
di kawasan Cekungan Bandung secara mewaktu serta menganalisis kecocokan
persamaan tersebut untuk diterapkan di Cekungan Bandung.

2. DATA DAN WILAYAH STUDI
Penelitian ini menggunakan wilayah Cekungan Bandung sebagai wilayah penelitian.
Luas dari wilayah Cekungan Bandung dihitung dari citra hasil pemotongan adalah
3230.09 Km
2
.

Gambar 2 Wilayah Studi
Menurut Purnomo, (2010) Cekungan Bandung merupakan daerah yang memiliki
geomorfologi yang bervariasi, sehingga memiliki tutupan lahan yang beragam. Tutupan
lahan yang terdapat di Cekungan Bandung pada bagian utara dan selatan berupa
vegetasi hutan dan perkebunan, sedangkan pada bagian timur dan barat berupa vegetasi
yang termasuk pada pertanian palawija. Tutupan lahan berupa sawah pertanian dan
perairan untuk perikanan juga terdapat di bagian selatan Kota Bandung. Tutupan lahan
berupa danau terdapat di sebelah timur dan selatan Cekungan Bandung. Tingkat
konversi lahan di Cekungan Bandung mulai meningkat seiring dengan pembangunan
permukiman modern dan industri serta perubahan budaya masyarakat.
Dalam penelitian ini digunakan data-data sebagai berikut:
Tabel 1. Data yang digunakan
No Data Sumber
1
Citra Landsat 5 TM (path 122 row 065
wilayah Jawa Barat tahun 2005)
LAPAN
2
Citra Landsat 7 ETM (path 122 row 065
wilayah Jawa Barat tahun 1999 dan 2002)
LAPAN
3
Peta Rupa Bumi Dijital dengan skala
1:25.000
Center for Remote Sensing -
ITB

Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung
Bunga Rampai Penginderaan J auh Indonesia, 2011

135

3. METODE
Untuk dapat memantau cakupan vegetasi dalam area yang luas dapat digunakan
teknologi penginderaan jauh (Myeong, et al., 2006). Pemantauan tersebut digunakan
untuk menghitung stok karbon pada suatu kawasan yang relatif luas dengan melakukan
pengolahan data citra satelit, sehingga didapatkan jumlah stok karbon yang disimpan
oleh tumbuhan pada area tersebut pada suatu waktu.
3.1. Pemotongan Citra dan Penghilangan Daerah Liputan Awan dan Bayangan
Awan
Data citra satelit yang didapat, dipotong mengikuti bentuk dari area penelitian. Selain
itu daerah yang diliputi awan dan bayangan awan dihilangkan dengan cara dijitasi
secara manual. Proses ini dapat mengurangi jumlah area yang diikutsertakan dalam
proses pengolahan data selanjutnya.
3.2. Konversi Nilai Digital Number ke Reflektan
Untuk melakukan perbandingan yang baik terhadap satu citra pada satu waktu dan citra
lain pada waktu pengambilkan data yang berbeda harus dilakukan suatu koreksi yakni
dengan mengubah nilai DN ke reflektan sebagai kompensasi dari perbedaan kondisi
kalibrasi sensor dan lingkungan pada setiap waktu pengambilan data oleh satelit
(Myeong, et al., 2006). Sebelum dapat di ubah ke reflektan, DN harus diubah ke
spektral radians terlebih dahulu (Huang, et al., 2000). Radians didapatkan dari DN
dengan persamaan sebagai berikut:

(1)
Atau juga dapat diekspresikan sebagai berikut:

(2)
Dimana L adalah spektral radians dalam (W m
-2
sr
-1
m
-1
), adalah band spektral, gain
adalah band spektral gain, bias adalah band spektral offset, DN
MIN
= 1, DN
MAX
= 255,
L
MIN
dan L
MAX
adalah spektral radians untuk setiap band pada DN
MIN
dan DN
MAX
.
Selanjutnya, spektral radians diubah menjadi reflektan dengan persamaan:

(3)
Dimana adalah reflektan pada lapisan atas atmosfir tanpa unit, L

spektral radians,
Esun

adalah konstanta iradian exoatmosferik matahari,


s
adalah sudut zenith matahari
dalam derajat, sebesar 3.14159 dan d adalah jarak bumi-matahari dalam unit
astronomi (UA). Koreksi ini mengatasi perbedaan sudut matahari pada waktu
pengambilan data yang berbeda (Myeong, et al., 2006).
3.3. Image Resampling
Pada penelitian yang dilakukan sebelumnya (Myeong, et al., 2006), dilakukan proses
interpolasi intensitas (image resampling) untuk mengubah ukuran pixel citra. Pada

Dandy Aditya Novresiandi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


136

proses image resampling yang dilakukan di penelitian ini, digunakan metode tetangga
terdekat (nearest neighbor).
3.4. Koreksi Geometrik
Untuk memperbaiki kesalahan geometrik acak yang terjadi, maka harus dilakukan
dengan cara meningkatkan ketelitian geometrik dengan menggunakan titik kontrol
tanah (GCP) secara merata dari beberapa objek yang dapat diidentifikasi pada citra
sehingga diperoleh koordinat dalam sistem geografik (x,y) dan dalam sistem koordinat
citra sebagai titik sekutu (Purwadhi & Santojo, 2008).
GCP didapatkan dari peta dasar atau citra lain dengan cakupan daerah yang sama yang
posisi geometrisnya telah dikoreksi. Setelah itu dapat dibentuk hubungan matematis
untuk melakukan transformasi koordinat. Proses transformasi koordinat yang dilakukan
menggunakan model polinomial derajat satu atau transformasi affine-2D.
Selanjutnya, untuk mengetahui tingkat ketelitian koordinat citra yang telah dikoreksi
geometrik dapat dilakukan dengan menempatkan Independent Check Point (ICP) secara
merata didalam kawasan cakupan GCP pada citra yang dikoresi (Ramadhani, 2010).
3.5. Koreksi Radiometrik
Untuk melakukan penelitian yang melibatkan perbandingan antara citra yang berbeda
kondisi radiometriknya adalah hal yang sulit untuk dilakukan (Myeong, et al., 2006).
Maka dilakukan koreksi radiometrik dengan metode pseudo-invariant features (PIF).
Prinsip dari metode ini adalah menggunakan satu citra sebagai referensi dan citra
lainnya sebagai subjek dan kemudian menyeragamkan aspek-aspek radiometrik citra
lainnya terhadap citra referensi dengan menggunakan fitur invariant, yakni bentukan-
bentukan yang diasumsikan tidak berubah posisinya terhadap waktu pengambilan data
(Hong, 2007) sebagai parameternya. Pada metode ini digunakan nilai batas sebesar
0.02% dari nilai intensitas tergelap dan tercerah pada citra untuk mengidentifikasi fitur
invariant yang akan digunakan untuk membentuk hubungan linier dengan persamaan
regresi (Ramsey, et al., 2001). Persamaan regresi linier yang dibentuk selanjutnya akan
diterapkan pada citra untuk menyamakan aspek-aspek radiometrik dengan citra
referensi dengan persamaan (Myeong, et al., 2006) :

(4)
Dimana DN
ref
adalah nilai dijital dari citra referensi, DN
sub
adalah nilai dijital dari citra
subjek, a adalah nilai kemiringan dari transformasi linier dan b adalah nilai potong dari
transformasi linier dalam persamaan regresi linier.
Pada penelitian ini citra satelit tahun 2002 dijadikan citra referensi, sedangkan citra
satelit tahun 1999 dan 2002 dijadikan citra subjek. Untuk menguji koreksi radiometrik
dengan metode ini, dapat dilakukan dengan menghitung nilai dari akar kuadrat rata-
ratanya (RMSE) pada saat sebelum dan sesudah melakukan koreksi, nilai RMSE
RAD

seharusnya berkurang setelah koreksi radiometrik berhasil (Myeong, et al., 2006). Nilai
RMSE
RAD
dapat dihitung dengan persamaan sebagai berikut :

Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung
Bunga Rampai Penginderaan J auh Indonesia, 2011

137

(5)
Dimana n adalah jumlah pixel yang dilibatkan dalam perhitungan koreksi radiometrik.
3.6. Normalized Difference Vegetation Index (NDVI)
Salah satu cara yang umum dilakukan untuk memantau vegatasi dengan cakupan yang
luas adalah dengan menggunakan indeks spektral (Asrar, et al., 1985). Indeks spectral
yang umum digunakan adalah NDVI, yakni sebuah teknik perbandingan band spektral
yang menghasilkan model raster yang memperkirakan tingkat keaktifan fotosintesis di
setiap pixel. Persamaan dari model NDVI adalah sebagai berikut :

(6)
Dimana VIS adalah spektrum gelombang merah (visible) dan NIR adalah spektrum
gelombang mendekati inframerah (near-infrared). Nilai yang dihasilkan dari NDVI
yakni antara -1 dan 1.
3.7. Perhitungan Stok Karbon
Persamaan perhitungan stok karbon yang digunakan pada penelitian ini menggunakan
persamaan yang telah dikembangkan pada penelitian yang telah dilakukan sebelumnya
(Myeong, et al., 2006). Pada penelitian sebelumnya, persamaan perhitungan karbon
dikembangkan berdasarkan persamaan regresi yang menggunakan NDVI sebagai
variabel bebas dan data stok karbon yang diperoleh dari hasil pengukuran lapangan
sebagai variabel terikat, pada pelaksanaannya persamaan didapatkan dari 190 plot yang
dibuat melalui sampel acak bertingkat. Data stok karbon hasil pengukuran lapangan
dilakukan di kota Syracuse, New York, Amerika Serikat.
Pengukuran dilakukan dengan menggunakan model Urban Forest Effect (UFORE),
yakni sebuah model pengukuran stok karbon lapangan dengan menghitung spesies
pohon, diameter pohon setinggi dada (diameter at breast height biasa disingkat DBH)
dan tinggi dari pohon tersebut (Nowak & Crane, 1998). Stok karbon yang didapatkan
adalah dalam unit (kg C/pixel), dengan ukuran pixel (25 x 25 m). Persamaan umum
yang digunakan adalah :

(7)
Kemudian dari hasil penelian yang dilakukan didapatkan persamaan sebagai berikut:

(8)
Tingkat kedekatan persamaan ini memiliki nilai r
2
sebesar 0.67, sehingga termasuk ke
dalam nilai signifikan yang tinggi (Myeong, et al., 2006).

4. HASIL PENELITIAN
Berikut akan disajikan hasil dari penelitian yang telah dilakukan berupa visualisasi
NDVI kawasan Cekungan Bandung tahun 1999, 2002 dan 2005.

Dandy Aditya Novresiandi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


138

Sedangkan stok karbon yang disimpan oleh tumbuhan di wilayah Cekungan Bandung
berdasarkan hasil perhitungan untuk tahun 1999 sebesar 522272.92 ton, selanjutnya
untuk tahun 2002 sebesar 494512.99 ton dan untuk tahun 2005 sebesar 561683.34 ton.







Gambar 3 Peta NDVI Cekungan Bandung Tahun 2005

5. ANALISIS
5.1. Pengolahan Data
Proses pengolahan data yang telah dilakukan menghasilkan nilai-nilai ketelitian
yang cukup baik, hasilnya semua nilai
GCP
dan RMSE
ICP
berada di bawah 0.5 pixel.
Sedangkan persyaratan akurasi koreksi geometrik secara umum adalah 1 pixel
(Purwadhi & Santojo, 2008). Berikut akan disajikan nilai ketelitian dari proses koreksi
geometrik :
Tabel 2. Nilai
GCP
dan RMSE
ICP
proses koreksi geometrik
Tahun 1999 2002 2003

GCP

(pixel)
0.394092744 0.244019373 0.286261165
RMSE
ICP

(pixel)
0.274062037 0.28033908 0.281744565
Gambar 3 Peta NDVI Cekungan
Bandung Tahun 1999
Gambar 4 Peta NDVI Cekungan
Bandung Tahun 2002

Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung
Bunga Rampai Penginderaan J auh Indonesia, 2011

139

Sedangkan nilai ketelitian dari proses koreksi radiometrik adalah :

Tabel 3. Nilai RMSE
RAD
sebelum dan sesudah koreksi radiometrik
Tahun
RMSE
RAD
sebelum koreksi
radiometrik
RMSE
RAD
sesudah koreksi
radiometrik
Band 3 Band 4 Band 3 Band 4
1999 3.613659353 6.007165635 2.365880511 5.982899513
2005 11.67932607 6.395386933 2.442150154 4.330583127

Nilai RMSE
RAD
sesudah koreksi radiometrik lebih kecil daripada sebelum dikoreksi, hal
ini mengindikasikan keberhasilan koreksi yang dilakukan.
5.2. Perhitungan Stok Karbon
Hasil dari penelitian ini adalah jumlah stok karbon yang disimpan oleh tumbuhan di
wilayah Cekungan Bandung tahun 1999, 2002 dan 2005. Terdapat perbedaan jumlah
stok karbon yang dihitung pada masing-masing tahun, namun perbedaan jumlah ini
dipengaruhi oleh luas daerah yang diikutsertakan dalam perhitungan stok karbon pada
masing-masing tahun. Seperti telah dijelaskan sebelumnya, pada citra satelit tahun 1999
dan 2002 terdapat daerah yang diliputi oleh awan dan bayangan awan, sedangkan pada
citra satelit tahun 2005 tidak terdapat daerah yang diliputi oleh awan dan bayangan
awan. Hal ini sangat mempengaruhi hasil penelitian karena total area yang dihitung
pada masing-masing tahun tidaklah sama, sedangkan total area yang seharusnya
dihitung ialah sebesar 3230.09 Km
2
. Berikut akan disajikan besarnya daerah yang
diikutsertakan dalam proses pengolahan data :
Tabel 4. Jumlah area yang terhitung
Tahun 1999 2002 2005
Jumlah Area
Terhitung (Km
2
)
3005.92 2847.28 3230.09
Perbedaan Area (Km
2
) 224.08 382.72 0.00

Jadi hanya pada citra satelit tahun 2005 yang luas wilayahnya sama dengan luas
wilayah area penelitian. Namun, apabila area yang hilang pada tahun 1999 dan 2002
perbedaanya dikompensasikan pada korelasi jumlah stok karbon dalam 1 Km
2
yang
diperoleh dari perhitungan stok karbon tahun 2005 (1 Km
2
= 173.89 ton) dan dihitung
jumlah stok karbon estimasi, maka hasilnya mendekati jumlah stok karbon pada tahun
2005. Perhitungan tersebut akan disajikan dalam tabel berikut :


Dandy Aditya Novresiandi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


140

Tabel 5. Estimasi stok karbon
Tahun 1999 2002 2005
Stok Karbon (ton) 522272.92 494512.99 561683.34
Perbedaan Area (Km
2
) 224.08 382.72 0.00

Perbandingan 1km2 = 173.89 ton

Perbedaan Stok Karbon (ton) 39410.42 67170.35 0.00
Stok Karbon Estimasi dengan
asumsi tidak ada daerah yang
terkontaminasi awan dan bayangan
awan (ton)
561238.14 561064.61 561683.34

Dengan kata lain, jumlah stok karbon pada tahun 1999, 2002 dan 2005 di wilayah
Cekungan Bandung cenderung stabil.
5.3. Persamaan Perhitungan Stok Karbon
Pada penelitian yang dilakukan sebelumnya (Myeong, et al., 2006). Persamaan
perhitungan karbon dikembangkan berdasarkan persamaan regresi yang menggunakan
NDVI sebagai variabel bebas dan data stok karbon yang diperoleh dari hasil
pengukuran lapangan.
Data stok karbon hasil pengukuran lapangan dilakukan di kota Syracuse, New York,
Amerika Serikat dan dilakukan dengan menggunakan model Urban Forest Effect
(UFORE).
Apabila ditinjau dari perbandingan sebaran keanekaragaman vegetasi yang terdapat di
kota Syracuse dan Cekungan Bandung maka terdapat perbedaan spesies pohon yang
juga memiliki nilai DBH dan tinggi dari pohon-pohon yang berbeda. Beberapa
perbedaan spesies pohon yang terdapat di Syracuse (Weiner, 2001) dan Cekungan
Bandung adalah sebagai berikut:

Tabel 6. Perbandingan perbedaan spesies tumbuhan
Syracuse, NewYork Cekungan Bandung
Gleditsia triacanthos (Honey locust)
Pinus merkusi

Acer platanoides (Norway Maple)
Khaya anthoteca (Mahoni
Uganda)
Rhamnus (Buckthorns)
Aghatis damara

Thuja occidentalis (Eastern
Arborvitae,Northern Whitecedar)
Cinnamonum burmanii

Acer saccharum (Sugar Maple)

Ficus benyamina
Taxsodium Mucronat (Cemara
Meksiko)
Kigelia aethiopica

Perhitungan Stok Karbon Berdasarkan NDVI di Cekungan Bandung
Bunga Rampai Penginderaan J auh Indonesia, 2011

141

Namun karena tidak ada data stok karbon di wilayah Cekungan Bandung yang dapat
digunakan untuk melakukan validasi dari jumlah stok karbon yang didapat dari
penelitian ini, hasil dari penelitian ini dapat dijadikan suatu nilai pendekatan jumlah
stok karbon di wilayah Cekungan Bandung dengan teknik penginderaan jauh.

6. KESIMPULAN
Dari penelitian yang telah dilakukan, didapatkan kesimpulan sebagai berikut :
1. Jumlah Stok Karbon yang disimpan oleh tumbuhan di wilayah Cekungan Bandung
untuk tahun 1999 sebesar 522272.92 ton, sedangkan untuk tahun 2002 sebesar
494512.99 ton dan untuk tahun 2005 sebesar 561683.34 ton.
2. Hasil dari penelitian ini dapat dijadikan suatu nilai pendekatan jumlah stok karbon di
wilayah Cekungan Bandung dengan teknik penginderaan jauh, meskipun persamaan
yang digunakan untuk perhitungan stok karbon diturunkan dari data stok karbon
lapangan dari daerah yang memiliki perbedaan keanekaragaman vegetasi dengan
daerah penelitian.

UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada staff dari Center for Remote Sensing ITB
dan LAPAN atas segala bantuan dan masukan dalam kelancaran penelitian ini.

DAFTAR REFERENSI
Asner, G. P. (2009). Measuring Carbon Emissions from Tropical Deforestation : An Overview.
Environmental Defense Fund , 4.
Asrar, G., Kanemasu, E. T., Jackson, R. D., & Pinter, P. J. (1985). Estimation of total above-
ground phytomass production using remotely sensed data. Remote Sensing of Environment,
11 , 211-220.
Environmental Protection Agency, U. S. (2007). Frequently Asked Question about global
warming and climate change : Back to Basic. The Intergovernmental Panel on Climate
Change's (IPCC) Fourth Assessment Report, (p. 2).
Hong, G. (2007). Image Fusion, Image Registration, and Radiometric Normalization for High
Resolution Image Processing. Canada: University of New Brunswick.
Huang, C., Yang, L., Homer, C., Wylie, B., Vogelman, J., & DeFelice, T. (2000). At-Satellite
Reflectance : A First Order Normalization of Landsat 7 ETM+ Images. USGS , 2.
IPCC, I. P. (2003). Expert Meeting Report. Science Statement on Current Scientific
Understanding of the Processes Affecting Terrestrial Carbon Stocks and Human Influences
upon Them (p. 19). Geneva: IPCC.
Lillesand, T. M., & Kiefer, R. W. (1997). Penginderaan Jauh dan Intepretasi Citra. terjemahan
Dulbahri, Prapto Suharsono, Hartono, Suharyadi. Yogyakarta: Gadjah Mada University
Press.

Dandy Aditya Novresiandi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


142

Myeong, S., Nowak, D. J., & Duggin, M. J. (2006). A temporal analysis of urban forest carbon
storage using remote sensing. Remote Sensing of Environment 101 , 277.
Nowak, D. J., & Crane, D. E. (1998). The Urban Forest Effects (UFORE) Model : Quantifying
Urban Forest Structure and Functions. Integrated Tools Proceedings , 716.
Purnomo, R. (2010, November 26). Karakteristik Agroekosistem Kabupaten
Bandung.http://www.agrilands.net/read/full/agriwarta/2010/11/26/karakteristik-
agroekosistem-kabupaten-bandung.html
(diakses tanggal: 7 September 2011).
Purwadhi, F. S., & Santojo, T. B. (2008). Pengantar Intepretasi Citra Penginderaan Jauh.
Semarang: Lembaga Penerbangan dan Antariksa Nasional dan Universitas Negeri
Semarang.
Ramadhani, S. A. (2010). Analisis Backscattering Coefficient Citra ENVISAT ASAR untuk
Identifikasi Tumpahan Minyak (Oil Spill). Bandung: Program Studi Teknik Geodesi dan
Geomatika Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung.
Ramsey, R. D., Washington-Allen, R. A., Van Niel, T. G., Sajwaj, T., & Callahan, K. (2001).
Identification of Pseudo-Invariant Features from Remotely Sensed Imagery. Remote
Sensing for Ecosystem Assessment .
Weiner, M. (2001, April 27). Census of trees sees healthy population Syracuse, one of
Upstate's leafiest cities, is coming back after the devastating 1998 Labor Day Storm.
Syracuse, New York: The Post-Standard.


BIOGRAFI PENULIS

Dandy Aditya Novresiandi

Dandy Aditya Novresiandi lulus dari Program Studi Teknik
Geodesi dan Geomatika Institut Teknologi Bandung (ITB) pada
tahun 2011 dan sekarang sedang melakukan penelitian dalam
bidang penginderaan jauh. Bidang penelitian yang ditekuninya
adalah aplikasi penginderaan jauh di bidang lingkungan, stok
karbon dan tutupan lahan.
143

Perhitungan Parameter Struktural Hutan Menggunakan Data
Light Detection and Ranging




Lissa Fajri Yayusman
1
, Daniel Adi Nugroho
2
, Ketut Wikantika
1

1
Teknik Geodesi dan Geomatika, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi
Bandung
2
PT McElhanney Indonesia
e-mail :
1
lissafajri@gmail.com

Abstrak
Dalam identifikasi dan pengelolaan potensi hutan atau perkebunan, kebutuhan data
struktural sangat penting. Perkebunan kelapa sawit yang memiliki potensi tinggi pada
sektor lingkungan dan ekonomi memerlukan pengelolaan yang baik dan terencana.
Pengukuran parameter struktural pada perkebunan kelapa sawit akan memberikan
informasi yang diperlukan dalam rangka pemantauan dan pengelolaan area tersebut.
Light Detection and Ranging atau LiDAR, dengan keunggulan multiple return, tidak
hanya mampu memindai struktur hutan dari sisi atas saja, namun juga dapat mengukur
bagian-bagian kanopi pohon dan objek-objek lain di bawahnya. Pantulan pulsa laser
yang juga diperoleh dari permukaan tanah memungkinkan pula untuk melakukan
pemodelan elevasi permukaan tanah yang tertutup oleh kanopi pohon berupa Digital
Terrain Model (DTM). Dengan metode rasterisasi, dapat dibentuk pemodelan elevasi
kanopi pohon Canopy Height Model (CHM) dengan mengurangkan Digital Surface
Model (DSM) dan DTM. Berdasarkan penelitian ini, diperoleh ketinggian pohon
49,15% antara 10,3-20,3 meter, 42,75% antara 0,3-10,3 meter, 8,1% antara 0-0,3 meter,
0,02 % antara 20,3-30,3 meter, dan total volume kanopi 8684,242 m
3
pada area studi.
Kata kunci: Light Detection and Ranging, Canopy Height Model, parameter struktural
hutan, tinggi pohon, volume kanopi.

Abstract
In the forest and plantation potential identification and management, the need of
structural data is very important. Oil palm plantations, which have high potential in
environmental and the economy sector, require good management and planning.
Measurement of structural parameters on oil palm plantations will provide the
necessary information of the area. Light Detection and Ranging or LIDAR technology,
with the advantage of multiple returns, is not only able to scan the forest structure from
the top side, but also can measure parts of the canopy of trees and other objects
underneath. The returns of laser pulse is also obtained from the soil surface, makes it
possible to perform modeling of land surface elevation under tree canopy in the form of
Digital Terrain Model (DTM). By converting the point cloud into raster, the elevation
of tree canopy can be modeled into Canopy Height Model (CHM) by subtracting the

Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


144

Digital Surface Model (DSM) and the DTM. Based on this research, tree height
distributions in the area are 49.15% between 10.3-20.3 meter, 42.75% between 0.3-
10.3 meter, 8.1% between 0-0.3 meter, and 0.02 % between 20.3-30.3 meter, while the
total volume of canopy is 8684.242 m
3
.
Keywords: Light Detection and Ranging, Canopy Height Model, forest structural
parameter, tree height, canopy volume.

1. PENDAHULUAN
Hutan merupakan media hubungan timbal balik antara manusia dan makhluk hidup
lainnya dengan faktor-faktor alam yang merupakan kesatuan siklus yang mendukung
kehidupan (Reksohadiprodjo, et al., 2000). Proteksi terhadap berbagai Sumber Daya
Alam (SDA) yang terkandung dalam hutan merupakan aspek yang sangat penting
dalam rangka menjaga keseimbangan lingkungan. Parameter struktural hutan, seperti
ketinggian pohon, lebar tajuk dan tutupan kanopi, juga diperlukan dalam studi
biomassa, siklus biogeokimia, fungsi-fungsi ekologi, proses pertukaran energi,
cadangan air, serta transfer radiasi dalam sistem hutan (Huang, et al., 2009). Oleh
karena itu, pengukuran parameter struktural hutan menjadi langkah krusial untuk
mengidentifikasi potensi serta membantu dalam rangka pengambilan keputusan pada
pengelolaan hutan.
Proses pengukuran parameter struktural hutan secara konvensional umumnya dilakukan
melalui pendataan secara manual pada setiap pohon berupa ketinggian, lebar kanopi,
Diameter at Breast Height (DBH), serta koordinat masing-masing pohon. Adapun cara
lain dengan mengambil beberapa sampel untuk setiap kelas atau spesies vegetasi,
kemudian dilakukan ekstrapolasi untuk memprediksi parameter pada pohon-pohon lain
yang sama kelas atau spesiesnya pada hutan tersebut. Cara seperti ini tentu saja
memerlukan waktu yang sangat lama atau tingkat akurasi yang rendah. Sehingga
diperlukan teknologi baru yang cepat dan akurat sebagai pendukung.
Penginderaan jauh sebagai metode yang dapat mengidentifikasi objek di permukaan
bumi tanpa langsung bersentuhan dengan objeknya menawarkan teknologi yang dapat
membantu proses pengukuran dan inventarisasi secara cepat dan akurat bahkan untuk
area yang luas. Sebelumnya, teknologi fotogrametri udara dan InSAR (Interferometry
Synthetic Aperture Radar) telah digunakan untuk memperoleh informasi struktural
hutan dengan berbagai skala pengukuran (Gong, et al., 2002). Namun demikian,
teknologi-teknologi tersebut membutuhkan proses image matching dari beberapa sudut
pengambilan yang berbeda-beda untuk mendapatkan informasi secara 3-Dimensi,
sehingga sering kali mengalami kesulitan dalam pengambilan data dan untuk
memperoleh hasil yang maksimal.
Teknologi LiDAR (Light Detection and Ranging) merupakan salah satu teknologi
penginderaan jauh yang dapat menyediakan informasi vertikal dari objek di permukaan
bumi (Diedershagen, et al., 2003). Selain dapat memberi informasi mengenai
karakteristik topografi permukaan tanah, data LiDAR juga memungkinkan untuk
mengetahui tutupan kanopi pohon, parameter vegetasi (seperti tinggi dan kerapatan

Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

145

pohon), serta dimensi kanopi yang sangat penting dalam pemodelan aktivitas
lingkungan (Popescu, et al., 2003). Pada tahun 1980-an, Canadian Forestry Service
mendemonstrasikan penerapan LiDAR untuk mengestimasi ketinggian batang pohon,
kerapatan tajuk, serta elevasi permukaan tanah di bawah kanopi hutan (Aldred, et al.,
1985). Kemampuan LiDAR ini menjadikan hasil yang diperoleh dapat digunakan untuk
manajemen hutan dan analisis kehutanan lebih lanjut seperti perhitungan biomassa, stok
karbon, serta analisis aliran air.
Kelapa sawit (Elaeis Sp.) merupakan jenis tanaman palem yang banyak dibudidayakan
saat ini. Selain iklim Indonesia yang sangat mendukung untuk pertumbuhan tanaman
ini, produk yang dihasilkan berupa minyak sawit yang membawa nilai ekonomi tinggi
ini membuat perkebunan kelapa sawit semakin banyak dibudidayakan di Indonesia.
Pertumbuhan kelapa sawit memiliki karakteristik dan kebutuhan tersendiri, oleh karena
itu diperlukan pemantauan dan pengelolaan yang baik. Maka dalam penelitian ini akan
dilakukan pemanfaatan teknologi LiDAR untuk pengukuran parameter struktural
perkebunan kelapa sawit.

2. DATA DAN AREA STUDI
Pada penelitian ini, area studi yang digunakan ialah area perkebunan kelapa sawit
seluas 1 km
2
. Perkebunan ini terletak di Sumatera Selatan pada 3 44 25.3228 LS
sampai dengan 3 44 57.9334 LS serta 103 36 21.2987 BT sampai dengan 103
36 53.7612 BT.

Gambar 1. Lokasi area studi

Kelapa sawit (Elaeis sp.) merupakan salah satu jenis tanaman dari famili Arecaceae
yang merupakan suku pinang-pinangan atau biasa disebut palem. Kelapa sawit akan
tumbuh dengan baik pada iklim tropis pada ketinggian antara 0-500 m dari permukaan
laut. Tanaman ini memiliki daun yang tersusun menyirip dengan lebar masing-masing

Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


146

daun cukup kecil sehingga celah antar daun cukup banyak. Sedangkan bentuk
kanopinya melebar pada bagian atasnya.
Selain terdiri dari perkebunan kelapa sawit, kurang lebih 30% dari area studi ini juga
terdiri area pertambangan. Sehingga elevasi permukaan tanah yang dimiliki cukup
beragam, yaitu cukup landai pada area perkebunan, namun sangat curam pada area
pertambangan.
Sedangkan data yang digunakan berupa data point cloud LiDAR berformat .LAS
dengan jumlah point cloud 233.020 titik dankerapatan 0,225 titik/m
2
yang diakuisisi
pada September 2009. Data point cloud memiliki koordinat 3-Dimensi yang mengacu
pada WGS 1984 dan sistem proyeksi UTM zona 48 S. Selain itu digunakan pula data
orthophoto true color dengan ketelitian 15 cm yang diambil secara bersamaan dengan
akuisisi data LiDAR. Orthofoto digunakan sebagai data pendukung untuk membantu
dalam pengolahan data LiDAR dalam hal identifikasi objek.

3. METODOLOGI
3.1 Klasifikasi point clouds
Data RAW LiDAR hasil proses awal pada komponen-komponennya akan berupa point
clouds yang belum terklasifikasi yang dapat berasal dari berbagai komponen seperti
yang terdapat dalam persamaan (Meng, et al., 2010):

(1)
di mana

merupakan pengukuran dari sensor LiDAR,

sebagai elevasi
permukaan tanah,

sebagai elevasi objek selain permukaan tanah, dan

merupakan hasil pengukuran yang tidak diinginkan. Noise umumnya berasal


dari gangguan pada wahana terbang, sensor, atau objek lain seperti burung dan awan
(Meng, et al., 2010). Oleh sebab itu, data point cloud harus diklasifikasi terlebih dahulu
sebelum digunakan.
Proses klasifikasi atau penyaringan dilakukan untuk memisahkan antara point cloud
hasil pemantulan dari satu jenis objek dengan jenis objek lainnya, maupun dengan hasil
pemantulan dari permukaan tanah (Sithole, 2005). Dalam penelitian ini dilakukan tiga
tahap klasikasi objek, yaitu ground filtering, klasifikasi vegetasi, serta klasifikasi objek-
objek lainnya. Klasifikasi dilakukan melalui dua metode, yakni semi-otomatis dan
manual.
Klasifikasi semi-otomatis berarti proses klasifikasi yang dilakukan dengan bantuan
perangkat lunak computer secara otomatis namun dalam penentuan batas-batas yang
diperlukan, ditentukan sendiri oleh pengguna. Penelitian ini menggunakan bantuan
perangkat lunak Microstation v8 yang diintegrasikan dengan TerraSolid untuk proses
klasifikasi.
Tahap klasifikasi yang pertama adalah ground filtering, di mana pada tahap ini
dilakukan pemisahan antara ground point dengan non-ground point. Proses ini
menggunakan parameter:

Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

147

1. Maximum building size : ukuran panjang atau lebar terbesar dari semua bangunan
pada area survei, yang juga berarti jarak maksimum antara dua buah titik
permukaan tanah.
2. Terrain angle : sudut kemiringan terbesar yang diperbolehkan bagi dua buah titik
yang berketetanggaan untuk dapat dianggap sebagai satu kelas permukaan tanah.
3. Iteration angle : perubahan sudut kemiringan maksimum antara dua iterasi selama
analisis permukaan tanah.
4. Iteration distance : jarak maksimum antara suatu titik yang akan diklasifikasi tegak
lurus dengan model permukaan tanah yang sudah ada.

Gambar 2. Parameter ground filtering dalam perangkat lunak Terra Solid
(Hugelschaffer, 2004)

Dalam proses ground filtering, penelitian ini menggunakan batasan parameter sebagai
berikut:
Tabel 1. Tabel parameter ground filtering
Parameter Nilai
Maximum building size 60 meter
Maximum terrain angle 88 derajat
Iteration angle 6 derajat ke permukaan tanah
Iteration distance 1 m ke permukaan tanah

Karakteristik umum yang dimiliki perkebunan kelapa sawit pada umumnya cukup
landai. Namun, area pertambangan memiliki tingkat kecuraman sangat tinggi pada
permukaan tanahnya. Hal ini dibuktikan dengan sangat banyaknya ground point yang
tidak terklasifikasi pada proses klasifikasi semi-otomatis. Oleh karena itu, setelah
proses ground filtering dilakukan untuk seluruh area, dilakukan pula ground filtering
khusus pada area pertambangan saja. Proses ground filtering ini dilakukan dengan
terlebih dahulu mendeliniasi area pertambangan dari area di sekitarnnya.

Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


148


Gambar 3. Poligon batas area pertambangan

Batasan parameter yang digunakan pada tahap ini adalah :
Tabel 2. Tabel parameter ground filtering area pertambangan
Parameter Nilai
Maximum building size 60 meter
Maximum terrain angle 88 derajat
Iteration angle 12 derajat ke permukaan tanah
Iteration distance 1 m ke permukaan tanah

Kemudian dilakukan klasifikasi vegetasi menjadi vegetasi rendah, sedang, dan tinggi di
mana parameternya ditentukan berdasarkan keperluan penelitian. Pada penelitian ini
vegetasi rendah didefinisikan sebagai rumput-rumputan, vegetasi sedang sebagai semak
belukar, dan vegetasi tinggi sebagai pohon-pohon. Setelah klasifikasi vegetasi selesai,
maka objek-objek lainnya akan diklasifikasi ke dalam kelas objek-objek lain karena
tidak diperlukan dalam penelitian ini.
Tabel 3. Tabel parameter klasifikasi vegetasi
Kelas Vegetasi Tinggi (dari permukaan tanah)
Vegetasi rendah 0 0.30 meter
Vegetasi sedang 0.31 1 meter
Vegetasi tinggi >1 meter

Pada klasifikasi semi-otomatis sering kali terjadi kesalahan klasifikasi. Oleh karena itu,
diperlukan pula pengecekan dan klasifikasi secara manual untuk memastikan semua
data berada pada kelas yang sesuai. Klasifikasi secara manual dilakukan dengan
melakukan pengecekan data dari tampak samping (side seeing), pengecekan dengan
bantuan data ortofoto, maupun dengan membuat editable shaded model yaitu model
permukaan tanah sementara.


Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

149

3.2 Rasterisasi data point clouds
Rasterisasi merupakan proses mengkonversikan data vektor menjadi data raster. Pada
penelitian ini dilakukan konversi terhadap seluruh groud points menjadi raster untuk
memperoleh raster permukaan tanah atau DTM berformat 2-Dimensi. Di mana nilai
ketinggian direpresentasikan sebagai nilai kecerahan pada setiap piksel. Besarnya
resolusi piksel dipengaruhi oleh rata-rata jarak antara titik, yaitu 2,075 m. Sehingga
besar resolusi piksel ialah 6 meter atau tiga kali dari rata-rata jarak antar titik (Esri,
2010).

Gambar 4. DTM hasil rasterisasi ground point
Karena kerapatan titik untuk ground point sangat rendah, cukup banyak piksel yang
tidak memiliki nilai atau null value. Maka dilakukan interpolasi pada piksel-piksel
tersebut dengan memanfaatkan algebra peta dengan fungsi sebagai berikut (Esri, 2010):


Con(IsNULL([inputraster]), FOCALMEAN
([inputraster],RECTANGLE, 3, 3, data), [inputraster])


Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


150



Gambar 5. DTM yang telah diinterpolasi
Rasterisasi juga dilakukan pada ground points, low, medium, dan high vegetation
points. Gabungan dari kedua kelas ini dirasterisasi untuk membuat model permukaan
DSM. Oleh karena itu, dalam proses rasterisasi hanya nilai data titik dengan nilai
ketinggian tertinggi (first return) saja yang akan direpresentasikan sebagai nilai
ketinggian pada DSM.

Gambar 6. DSM hasil rasterisasi ground dan vegetation points

3.3 Pengukuran Distribusi Ketinggian Pohon
Perhitungan distribusi ketinggian pohon dilakukan dengan membuat Canopy Height
Model (CHM). Model 3-Dimensi ini dibuat dengan mengurangkan nilai-nilai
ketinggian pada DSM dengan nilai ketinggian pada DTM yang telah dibuat
sebelumnya.

Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

151

Berdasarkan CHM yang dihasilkan, ketinggian maksimum dari pohon adalah 24.845
meter dan yang terendah adalah -0.07. Sedangkan pada penelitian ini kelas vegetasi
rendah atau yang dianggap sebagai pantulan dari rumput-rumputan merupakan vegetasi
dengan ketinggian sampai dengan 0.30 meter dari permukaan tanah. Untuk mendukung
keperluan perhitungan kanopi pohon berdasarkan penelitian Naesset (2004) dan
Hollaus,dkk. (2009), maka distribusi tinggi pohon akan dibagi menjadi 3 buah kelas
dengan interval 10 meter di mana ketinggian sampai 0.30 meter tidak akan
diperhitungkan.
3.4 Perhitungan Volume Kanopi
Berdasarkan data ketinggian pohon dan hasil perhitungan parameter

, maka dapat
dilakukan perhitungan volume kanopi pohon. Volume kanopi dihitung berdasarkan
jumlah kelas ketinggian pohon dengan interval 10 meter.

4. HASIL PENELITIAN
Distribusi ketinggian pohon beserta parameter porsi relatif ketinggian pantulan pertama
(kanopi pohon) pada suatu kelas interval di daerah studi (

) adalah:
Tabel 4. Tabel hasil pengukuran ketinggian pohon dan parameter p,fei
Kelas H Minimum
H
Maximum
Rata-rata
(Ch
mean
)
Jumlah Piksel p,fei
- 0 0,3 0,120119 2253 0,080779
1 0,301 10,3 6,937095 11923 0,427486
2 10,301 20,3 11,62341 13707 0,491449
3 20,301 30,3 22,38798 8 0,000287
Jumlah

27891 1


Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


152


Gambar 7. Canopy Height Model hasil pengolahan data

Sedangkan volume kanopi pohon pada area studi ini adalah:
Vcan,1 = 0,427486 x 1000 m x 6,937095 = 2965,508 m
3

Vcan,2 = 0,491449 x 1000 m x 11,62341 = 5712,313 m
3

Vcan,3 = 0,000287 x 1000 m x 22,38798 = 6,422 m
3

dengan 6 x 6 sebagai resolusi dari piksel pada raster CHM. Sedangkan volume kanopi
pohon secara keseluruhan ini didefinisikan sebagai jumlah dari semua kelas:

(2)
Maka volume kanopi pohon pada area studi 100 Ha perkebunan kelapa sawit, Sumatera
Selatan ini adalah 8684,242 m
3
.

5. ANALISIS
5.1 Analisis Klasifikasi Point Clouds
Klasifikasi data point cloud dibagi menjadi lima buah kelas utama melalui proses
klasifikasi semi-otomatis dan manual. Secara umum, pada hasil klasifikasi semi-
otomatis tidak banyak ditemukan titik-titik yang mengalami kesalahan klasifikasi. Hasil
ini mengindikasikan bahwa parameter yang digunakan sudah cukup merepresentasikan
area studi secara umum. Sementara beberapa titik yang mengalami kesalahan klasifikasi
dapat disebabkan oleh parameter yang diterapkan tidak cocok untuk semua tempat dan
adanya anomali elevasi yang tidak dapat diidentifikasi.

Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

153

Adapun hasil klasifikasi yang cukup banyak mengalami kesalahan ialah pada klasifikasi
vegetasi rendah. Vegetasi yang sangat rendah atau puncaknya dekat sekali dengan
permukaan tanah sering kali tidak terekam oleh sensor karena sensor merekam pantulan
yang memiliki besar gelombang cukup tinggi. Tentunya vegetasi yang terlalu dekat
dengan tanah memilki gelombang pantul yang tidak cukup tinggi bila dibandingkan
dengan gelombang pantul dari permukaan tanah dalam selang waktu yang sangat
singkat sehingga hanya pantulan dari permukaan tanah saja yang terekam.
5.2 Analisis Proses Rasterisasi
Pengukuran parameter struktural dilakukan dengan metode area karena data point cloud
LiDAR yang digunakan memiliki kerapatan titik yang cukup rendah. Sedangkan
perhitungan parameter struktural hutan memerlukan kerapatan titik yang sangat tinggi
agar bentuk vegetasi dapat direpresentasikan dengan baik. Karakteristik tanaman kelapa
sawit yang memiliki kanopi melebar di bagian atasnya serta ketinggian daun-daun yang
dapat melebihi puncak batangnya juga mengakibatkan proses deteksi individual pohon
sulit dilakukan.
Pada hasil rasterisasi, diperoleh DTM dan DSM yang juga memiliki nilai elevasi
negatif. Hal ini disebabkan karena area perkebunan kelapa sawit ini berada pada
ketinggian yang cukup rendah. Sedangkan menurut DTM dan DSM yang diperoleh,
dapat dilihat bahwa daerah yang memiliki elevasi negatif berada pada area galian
tambang.
5.3 Analisis Pengukuran Ketinggian Pohon
Pada CHM yang dihasilkan juga terdapat nilai negative sehingga tidak masuk akal.
Kesalahan ini dapat disebabkan oleh adanya point cloud vegetasi yang masih
mengalami kesalahan klasifikasi dan luput dari pengecekan. Point cloud yang
seharusnya merupakan groud point diklasifikasi sebagai vegetasi yang elevasinya lebih
rendah dari pada elevasi permukaan tanah di sekitarnya. Maka saat permukaan tanah
diinterpolasi, vegetasi tersebut akan teridentifikasi berada di bawah permukaan tanah
dan mengakibatkan nilai negatif pada raster CHM.
5.4 Analisis Perhitungan Volume Kanopi
Perhitungan volume kanopi pohon menunjukkan hasil yang cukup masuk akal untuk
area studi. Di tambah dengan kerapatan antar pohon yang cukup tinggi membuat
volume kanopi lebih representatif karena pemodelan ketinggiannya secara umum
kontinyu. Namun, tingkat akurasi perhitungan tentunya akan cukup berkurang karena
penggunaan nilai rata-rata setiap kelas sebagai representasi elevasi kelas yang memiliki
interval cukup tinggi yaitu 10 meter.

6. KESIMPULAN
Berdsarkan studi ini juga dapat disimpulkan bahwa parameter struktural perkebunan
kelapa sawit, Sumatera Selatan, memiliki parameter distribusi ketinggian pohon:


Lissa Fajri Yayusman, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


154

Tabel 5. Tabel hasil perhitungan ketinggian pohon
Kelas H minimum H maximum p,fei
- 0 0.3 0.080779
1 0.301 10.3 0.427486
2 10.301 20.3 0.491449
3 20.301 30.3 0.000287
Selain itu juga diperoleh hasil perhitungan volume kanopi pohon pada area studi
sebesar 8684,242 m
3
.
Dari seluruh tahapan studi yang dilakukan juga dapat disimpulkan bahwa terdapat
banyak metode untuk melakukan pengukuran parameter struktural hutan dan
perkebunan. Metode rasterisasi yang digunakan pada studi ini cukup efektif untuk
melakukan pengukuran parameter struktural perkebunan kelapa sawit. Metode ini
disesuaikan dengan kondisi data dan area studi yang dipakai. Namun, secara
keseluruhan hasil dari metode ini kurang representatif atau akurat karena pengukuran
dilakukan secara global berdasarkan area, dan bukanlah berdasarkan perhitungan pada
masing-masing individual pohon.

UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada staff dari Center for Remote Sensing ITB
atas segala bantuan dan masukan dalam kelancaran penelitian ini dan juga kepada PT.
McElhanney Indonesia yang telah membantu dalam penyediaan data lapangan.

DAFTAR REFERENSI
Aldred, A., & Bonner, M. 1985. Application of Airborne Lasers to Forest Surveys.
Diedershagen, O., Koch, B., & Weinacker, H. 2003. Automatic Estimation of Forest Inventory
Parameters Based on LiDAR, Multispectral and FOGIS Data. Technical Session.
Esri. 2010. Lidar Analysis in ArcGIS 9.3.1 for Forestry Applications. Esri White Paper.
Gong, P., Sheng, Y., & Biging, G. 2002. 3D Model-Based Tree Measurement from High
Resolution Aerial Imagery.
Huang, H., Gong, P., Cheng, X., Clinton, N., & Li, Z. 2009. Improving Measurement of Forest
Structural Parameters by Co-Registering of High Resolution Aerial Imagery and Low
Density LiDAR Data. Sensors 2009, 9, 1541-1558.
Hugelschaffer, D. 2004. Use of LiDAR in Forestry Applications.
Meng, X., Currit, N., & Zhao, K. 2010. Ground Filtering Algorithms for Airborne LiDAR Data:
A Review of Critical Issues. Journal of Remote Sensing 2010, 2, 833-860.

Perhitungan Parameter Struktural Hutan Menggunakan Data Light Detection and Ranging
Bunga Rampai Penginderaan J auh Indonesia, 2011

155

Popescu, S. C., Wyne, R. H., & Nelson, R. F. 2003. Measuring Individual Tree Crown Diameter
with Lidar and Assessing Its Influence on Estimating Forest Volume and Biomass.
Canadian Journal of Remote Sensing, Vol 29, No. 5, pp. 564-577.
Reksohadiprodjo, S., & Brodjonegoro. 2000. Ekonomi Lingkungan.
Sithole, G. 2005. Segmentation and Classification of Airborne Laser Scanner Data. Delft, The
Netherlands: NCG.

BIOGRAFI PENULIS
Lissa Fajri Yayusman

Lissa lahir di Bekasi, Jawa Barat pada 18 November 1990. Anak
kedua dari tiga bersaudara ini menempuh pendidikan SD, SMP,
dan SMA di Kota Bekasi. Kemudian melanjutkan pendidikan
tinggi di Institut Teknologi Bandung dan memperoleh gelar
Sarjana Teknik dalam bidang Teknik Geodesi dan Geomatika
pada tahun 2011. Saat ini Lissa masih aktif berkarya dalam
bidang penginderaan jauh di Pusat Penginderaan Jauh ITB.


156

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota
Tiga Dimensi (Studi Kasus : Kota Davao, Filipina)




Muhammad Arief Vannessyardi
1
, Daniel Adi Nugroho
2
, Ketut Wikantika
1

1
Program Studi Teknik Geodesi dan Geomatika, Fakultas Ilmu dan Teknologi Kebumian,
Institut Teknologi Bandung.
2
PT McElhanney Indonesia
e-mail : ariefmckenzie@yahoo.com

Abstrak
Fenomena meningkatnya pertumbuhan urbanisasi dan industrialisasi berpengaruh
terhadap kebutuhan sistem perencanaan kota yang baik. Banyak teknik yang dapat
digunakan untuk membangun sistem perencanaan kota, salah satu teknik yang akurat
dan memiliki kepadatan data yang tinggi adalah teknik dengan menggunakan
LIDAR(Light Detection and Ranging). Model kota 3D dapat dihasilkan dari data
LIDAR. Hasil utama dari teknik LIDAR adalah Digital Surface Model (DSM) dan
Digital Elevation Model (DEM) yang nantinya dapat digunakan untuk membangun
model kota 3 dimensi. Model kota 3D dari daerah pusat kota dapat dimanfaatkan untuk
berbagai macam aplikasi, contohnya adalah operasi militer, manajemen bencana alam,
pemetaan gedung dan ketinggian gedung, simulasi gedung baru, pembaharuan dan
pelestarian data kadaster, rekonstruksi bangunan, dll. Pada penelitian ini penulis
menggunakan data LIDAR dan orthophoto dari kota Davao di Filipina. Metode yang
penulis gunakan dalam pembuatan model kota tiga dimensi ini adalah building
extraction menggunakan data LIDAR dan orthophoto. DEM area penelitian dihasilkan
dengan cara pembuatan TIN dari point cloud yang berada pada kelas ground area
penelitian. Hasil akhir yang diharapkan adalah model bangunan 3D diatas DEM area
penelitian.
Kata kunci: model kota 3D, LIDAR, orthophoto, DEM, DSM, building extraction.

Abstract
The phenomenon of the increasing growth of urbanization and industrialization affect
the need for good city planning system. Many techniques can be used to build the city
planning system, one technique that is accurate and has a high density of data is a
technique using a LIDAR (Light Detection and ranging). 3D city models can be
generated from LIDAR data. The main results of the lidar technique is a Digital Surface
Model (DSM) and Digital Elevation Model (DEM) that can later be used to construct
three-dimensional models of cities. 3D city models from the downtown area can be
utilized for various applications, for example, are military operations disaster
management, mapping of buildings and building heights, simulating the new building,
renewal and preservation of cadastral data, reconstruction of buildings, etc.. In this

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

157

study the authors used data from the LIDAR and orthophoto of Davao city in the
Philippines. The method used in the manufacture of three-dimensional model of the city
is building extraction using LIDAR and orthophoto data. DEM of research area
generated by the manufacture of TIN from point cloud that is on ground class of
research area. The end result, as expected, is a 3D building model over the study area
DEM.
Keywords: 3D city model, LIDAR, orthophoto, DEM, DSM, building extraction.

1. PENDAHULUAN
Kebutuhan akan adanya Digital Terrain Model (DTM) yang berketelitian tinggi
semakin meningkat. Salah satu teknik baru untuk pengadaan DTM berketelitian tinggi
adalah dengan menggunakan LIDAR. LIDAR merupakan suatu teknologi baru yang
menggunakan sinar laser, yang dibawa pada pesawat udara, untuk melakukan
pengukuran jarak.
Diluncurkannya satelit Global Positioning System memungkinkan ditentukannya posisi
suatu wahana yang bergerak dengan ketelitian yang tinggi, dengan mengacu pada suatu
sistem koordinat tertentu. Jika posisi sensor dapat ditentukan dengan ketelitian yang
cukup tinggi, dan juga jarak dan sudut antara sensor dengan titik obyek di permukaan
bumi, maka posisi obyek tersebut dapat juga ditentukan.
Saat ini berbagai perusahaan pembuat alat ini mengklaim bahwa ketelitian yang
didapatkan dari LIDAR sekitar 6 inchi ( 15 cm). Tingkat ketelitian seperti ini
memungkinkan dibuatnya Digital Terrain Model (DTM) yang sangat teliti.
Karakteristik menarik dari LIDAR adalah dapat diaturnya frekuensi pancaran sinyal,
yang memungkinkan diaturnya densiti titik tiap satuan luas tertentu.
LIDAR telah menjadi teknik yang diciptakan untuk menurunkan informasi geometris
dalam tiga dimensi dengan akurasi desimeter (+ 1,5 dm atau +15 cm)(Lohr, 1998, Wehr
dan Lohr, 1999). Menggunakan teknik LIDAR ini, DSM yang akurat dalam
menggambarkan dasar dan fitur di atas permukaan tanah dapat dibangun dalam waktu
yang relatif singkat. Dataset LIDAR dapat dimanfaatkan untuk berbagai macam
aplikasi (Gruen et al. 1995, 1997). Salah satu aplikasi dari LIDAR adalah pembuatan
model 3D dari bangunan dan benda-benda buatan manusia lainnya serta pembangunan
DEM dengan cara melucuti fitur-fitur yang ada di atas permukaan tanah (Hug, 1996,
Jaafar et al, 1999a).

2. KONSEP LIDAR
Sistem LIDAR mengacu pada suatu sistem koordinat WGS 84 dan sistem navigasi yang
digunakan adalah alat INS (Inertial Navigation System) yang dapat mencatat sikap
pesawat udara. Hal yang perlu diketahui adalah integrasi alat GPS/IMU dalam hal
mencatat waktu dengan ketelitian tinggi. GPS mencatat waktu (sampling rate) setiap
detik, sedangkan IMU mencatat sikap pesawat (roll, pitch, yaw) 200 posisi setiap detik
dan data LIDAR sebanyak 50.000 sampai 200.000 pulsa setiap detik. Sehingga

Muhammad Arief Vannessyardi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


158

trayektori atau lintasan pesawat dalam koordinat (x,y,z) dapat diketahui. Dari beberapa
faktor inilah yang membuat ketelitian data LIDAR diperoleh dari saling keterkaitan
beberapa komponen utama sistem LIDAR.

Gambar 1. Interaksi Antar Komponen LIDAR
Pengamatan posisi yang dilakukan komponen GPS adalah dengan metode differensial
kinematik dengan menggunakan data fase yang memiliki ketelitian lebih tinggi
dibandingkan dengan data pseudorange. Data yang dihasilkan oleh GPS adalah berupa
nilai-nilai koordinat titik ketika wahana udara melakukan scanning terhadap permukaan
tanah.
Pada komponen INS di dalamnya terdapat instrumen IMU (Inertial Measurement Unit)
yang dapat mendeteksi pergeseran rotasi wahana terbang (pitch, roll, dan heading)
terhadap sumbu-sumbu sistem referensi terbang sehingga didapatkan besar sudut gerak
rotasi sumbu-sumbu koordinat wahana udara terhadap sumbu-sumbu koordinat sistem
referensi terbang. Selain itu IMU juga mampu mendeteksi perubahan percepatan pada
wahan udara.
Komponen sistem sensor laser terdiri atas sensor laser dan cermin. Sensor laser
melakukan pengukuran jarak antara sensor terhadap permukaan tanah. Pengukuran
jarak ada yang menggunakan prinsip beda waktu dan ada yang menggunakan prinsip
beda fase (Baltsavias, 1999b). Pada pengukuran jarak dengan prinsip beda waktu, maka

R merupakan jarak antara sensor dan obyek yang diukur, c merupakan kecepatan
cahaya, sedangkan t merupakan waktu tempuh sinyal. Karena sinyal menempuh
perjalanan dari sensor ke obyek, dan kembali lagi ke sensor, maka faktor 2 harus
dimasukkan. Pengukuran waktu tempuh sinyal dapat dilakukan sampai mendekati level
10
-10
detik (Ackermann, 1999).

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

159

Kepadatan dari suatu data LIDAR merupakan parameter penting dalam pengukuran.
Kepadatan sebuah data yang dihasilkan oleh komponen laser scanner sangat bergantung
dari aplikasi data yang diinginkan dan dipengaruhi oleh ketinggian pesawat, kecepatan
pesawat, frekuensi scan, pola scanning, kekuatan pulsa, geometri tanah dan reflektifitas
dari objek yang dipantulkan.
Ketiga data yang dihasilkan oleh GPS, INS, dan laser scanner tersebut diolah secara
berurutan untuk mendapatkan produk akhir berupa data titik-titik ketinggian permukaan
bumi atau DTM.
DTM adalah representasi statistik permukaan tanah yang kontinyu dari titik-titik yang
diketahui koordinat x, y, z-nya pada suatu sistem koordinat tertentu. (Petrie dan Kerrie,
1991) DTM adalah informasi digital mengenai ketinggian (atau variansi relief) dari
suatu area. (Spatial Data System Consulting, 2002) dari berbagai referensi di atas dapat
disimpulkan bahwa DTM adalah pemodelan permukaan bumi ke dalam suatu model
digital permukaan tanah tga dimensi dari titik-titik yang mewakili permukaan tanah
tersebut yang telah diketahui koordinat tiga dimensinya.
Pada penelitian ini akan memfokuskan pada pemodelan kota tiga dimensi dari area
studi kota Davao di Filipina dengan menggunakan metode building extraction dari data
point cloud LIDAR dan orthophoto area penelitian.

3. SPESIFIKASI DATA
Area studi pada penelitian ini terletak pada Kota Davao, Filipina yang berada pada zona
UTM 51 Utara. Area studi adalah sebuah petak lahan seluas 0.5 km x 1 km yang
terletak pada 7 04' 5.2860" Lintang Utara sampai 7 04' 37.9084" Lintang Utara dan
125 36' 35.1546" Bujur Timur sampai 125 36' 51.6195" Bujur Timur.
Data point cloud LIDAR yang diteliti berformat LAS dan memiliki point cloud
berjumlah 1.683.013 titik dengan ukuran data sebesar 32,1 MB. Data orthophoto yang
digunakan berformat Tiff dan memiliki ukuran pixel sebesar 0.5 m x 0.5 m dengan
ukuran data sebesar 1,61 MB.

4. METODE
4.1 Point Classification
Tahap yang paling penting dalam mengolah data point cloud LIDAR untuk pemodelan
kota tiga dimensi adalah proses point classification. Dalam tahap ini dilakukan
pemisahan point cloud LIDAR yang masih belum terklasifikasi ke dalam kelas-kelas
objek yang memiliki sifat dan karakteristik yang relatif sama. Pada umumnya terdapat 5
kelas yang biasanya digunakan pada saat melakukan klasifikasi point cloud LIDAR,
yaitu kelas ground, low vegetation, medium vegetetion, high vegetation, dan kelas
building. Walaupun pada tahap ini penulis mengklasifikasi data point cloud LIDAR ke
dalam 5 kelas tersebut, namun pada akhirnya kelas yang akan digunakan untuk
pemodelan kota tiga dimensi adalah kelas ground dan building.


Muhammad Arief Vannessyardi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


160

4.1.1 Automatic Classification
Terdapat dua proses penting di dalam tahapan point classifcation, yaitu proses
automatic classification dan manual classification. Pada proses automatic
classification, point cloud LIDAR secara otomatis diklasifikasikan oleh program
ekstensi Terra Scan ke dalam lima kelas yang sudah disebutkan di atas sesuai dengan
kemiripan sifat dan karakteristik dari masing-masing kelas.
4.1.2 Manual Classification
Proses manual classification adalah proses pemeriksaan data point cloud hasil
klasifikasi dari proses automatic classification, apakah sudah masuk ke dalam kelas
yang tepat sesuai dengan karakteristik dari point cloud tersebut. Pada tahapan manual
classification ini penulis harus memeriksa secara teliti semua point cloud yang ada di
area studi dengan cara melakukan cross section atau membuat penampang melintang
dari point cloud yang sudah terklasifikasi. Jika setelah memeriksa penampang
melintang dari point cloud tersebut dan ternyata didapat beberapa titik yang
menyimpang dari kelas yang seharusnya, maka penulis harus secara manual
memasukkan titik-titik tersebut ke dalam kelas-kelas yang sesuai menurut interpretasi
dan pemahaman penulis terhadap objek tersebut.


Gambar 2. cross section
Pada Gambar 2 dapat dilihat terdapat point cloud yang secara jelas menggambarkan
kelas ground dan kelas vegetation sehingga bila terdapat titik-titik yang menyimpang
dapat terlihat dengan jelas dan dapat langsung kita masukkan ke kelas yang sesuai
secara manual.

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

161


Gambar 3. cross sction
Pada Gambar 3 dapat dilihat adalah contoh pemeriksaan penampang melintang dari
point cloud pada kelas ground, vegetation, dan building yang menginterpretasikan
objek tanah, pepohonan dan bangunan.
Setelah point cloud terkalsifikasi secara otomatis dan manual, tahap selanjutnya yang
dilakukan adalah pemisahan titik-titik dalam kelas ground dan kelas building dari kelas-
kelas yang lain untuk selanjutnya dilakukan pengolahan lebih lanjut. Titik-titik pada
kelas ground akan selanjutnya diolah menjadi DEM TIN (Triangular Irregular
Network) sedangkan titik-titik dalam kelas building akan diolah menjadi model
bangunan tiga dimensi.

5. HASIL
Hasil yang didapatkan setelah dilakukan pengolahan terhadap data point cloud LIDAR
dan data orthophoto menggunakan program Microstation dengan ekstensi Terra Scan,
Terra Model , dan Terra Photo dari penyedia program Terra Solid. Terra Scan
digunakan untuk melakukan klasifikasi point cloud dan ekstraksi Model bangunan,
Terra Model digunakan untuk pembuatan DEM, dan Terra Photo digunakan untuk
meng-overlay hasil dari model DEM dan model bangunan dengan orthophoto.
5.1 Pembuatan Model Bangunan 3D

Gambar 4. Classified Point cloud

Muhammad Arief Vannessyardi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


162

Gambar 4 menampilkan point cloud yang sudah melewati proses semi-auto dan manual
classification, dapat dilihat point cloud yang berwarna merah masuk ke kelas ground,
biru muda ke kelas vegetation dan ungu ke kelas building.




Gambar 5. Building Point cloud Extraction Gambar 6. Building Model Extraction

Gambar 6 menampilkan hasil dari pemodelan bangunan yang di-extract dari point cloud
pada kelas building saja, seperti terlihat pada Gambar 5.


Gambar 7
Gambar 7 menampilakan pemeriksaan model bangunan dengan orthophoto secara
manual untuk memeriksa apakah bentuk-bentuk atap dari kerangka model sudah sesuai
dengan bentuk-bentuk atap bangunan pada orthophoto.

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

163


Gambar 8. Pemeriksaan dan Pengeditan tiap-tiap Model
Bila pada tahap pemeriksaan kerangka model dengan orthophoto ternyata ada beberapa
bentuk kerangka atap atau bangunan yang tidak sesuai dengan bentuk pada orthophoto,
maka model kerangka bangunan tersebut harus di-edit secara manual satu per satu
setiap bangunannya. Seperti terlihat pada Gambar 8
Hasil akhir yang didapat dari pemodelan bangunan tiga dimensi ini adalah model
bangunan tiga dimensi yang sudah diperiksa dengan orthophoto dan di-overlay dengan
orthophoto untuk memberikan warna pada setiap bangunan sesuai keadaan
sesungguhnya seperti terloihat pada Gambar 9.


Gambar 9. Hasil Model Bangunan Tiga Dimensi

5.2 Pembuatan Digital Terrain Model
Digital Terrain Model (DTM) dari area penelitian dibuat dengan cara pembuatan TIN
yang dibentuk dari point cloud pada kelas ground yang sudah dipisahkan dari kelas-
kelas yang lain untuk kemudian selanjutnya diolah menjadi DTM TIN, seperti yang
akan diperlihatkan pada Gambar 10.

Muhammad Arief Vannessyardi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


164


Gambar 10. Proses Pembentukan DTM dari Point Cloud Ground menjadi DTM TIN
5.3 Pembuatan Model Kota Tiga Dimensi
Hasil Akhir dari penelitian ini adalah model kota tiga dimensi yang didapat dari hasil
overlay dari 3 komponen utama, yaitu: model bangunan yang di-extract dari area
penelitian, DTM TIN dari area penelitian dan orthophoto area penelitian.





Gambar 11. (a)Overlay Model Bangunan dan DTM TIN, (b)Hasil Akhir Model Bangunan
Tiga Dimensi Hasil Overlay 3 komponen, (c) dan (d)Model Kota Tiga Dimensi Skala
Diperbesar.
(a) (b)
(c)
(d)

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

165

6. ANALISIS
6.1 Analisis Data
Data LIDAR berformat LAS yang digunakan memiliki kerapatan (point cloud density)
sebesar 2 point cloud per 1 m
2
. Padahal untuk melakukan pemodelan tiga dimensi
sebaiknya menggunakan data LIDAR yang memiliki kerapatan point cloud sebesar 6-9
point cloud per 1 m
2
. Oleh sebab itu walaupun pemodelan tiga dimensi yang dilakukan
sudah cukup menggambarkan keadaan kota Davao, namun sesungguhnya pemodelan
kota tiga dimensi yang dilakukan masih dapat lebih dimaksimalkan lagi jika
menggunakan data LIDAR dengan kerapatan point cloud yang lebih tinggi.
Pada penelitan ini dikarenakan banyaknya objek yang terdapat pada area pemodelan
sehingga diperlukan waktu yang lebih untuk pengolahan data dan analisis objek karena
harus dilakukan analisis satu persatu.
Data orthophoto yang digunakan memiliki resolusi pixel 0.5 m x 0.5 m sehingga
memiliki ketelitian yang kurang bagus. Pada saat dilakukan pembandingan atau
pemeriksaan antara objek model bangunan hasil pengolahan dengan objek yang sama
pada orthophoto, objek bangunan pada orthophoto kurang terlihat jelas pada saat
dilakukan perbesaran skala sehingga batas-batas atap bangunannya kurang terlihat jelas.
Akibatnya hasil pemeriksaan objek bangunan kurang meyakinkan. Pada data
orthophoto tersebut juga terdapat pergeseran relief pada beberapa objek bangunan yang
tersebar secara acak.
6.2 Analisis Pengolahan
Pada saat melakukan pengolahan data point cloud LIDAR menggunakan metode
klasifikasi manual, pengklasifikasian point cloud LIDAR ke dalam kelas-kelasnya
dilakukan manual secara perorangan sehingga hasil dari klasifikasinya akan bersifat
subjektif bergantung kepada pemahaman dari masing-masing individu terhadap
penginterpretasian point cloud LIDAR terhadap objek yang bersangkutan.
Pada saat melakukan pemodelan bangunan tiga dimensi dan pemeriksaan model
bangunan tiga dimensi terhadap objek bangunan di orthophoto juga dilakukan secara
manual perorangan, sehingga pemahaman masing-masing individu dalam
menginterpretasikan objek-objek bangunan juga dapat bersifat subjektif.
6.3 Analisis Hasil
Seperti terlihat pada Gambar 12, pada daerah bangunan yang rapat dan kecil atau
kumuh sepertinya model tiga dimensi dari bangunan hasil pemodelan masih belum
dapat dengan maksimal merepresentasikan objek yang sebenarnya dikarenakan kurang
maksimalnya data LIDAR dan orthophoto yang digunakan. Akibatnya terjadi
perbedaan bentuk antara kerangka atap model yang terbentuk dari point cloud LIDAR
dengan kerangka atap objek yang bersangkutan pada orthophoto.

Muhammad Arief Vannessyardi, dkk.
Bunga Rampai Penginderaan J auh Indonesia, 2011


166


Gambar 12. Daerah kumuh atau bangunan rapat
7. KESIMPULAN
Pada Gambar 10 dapat dilihat adalah DTM hasil dari pengolahan data point cloud yang
terdapat pada kelas ground. Dapat disimpulkan bahwa dengan menggunakan metode
building extraction dengan menggunakan data LIDAR dan orthophoto dapat dilakukan
pemodelan bangunan tiga dimensi yang cukup merepresentasikan area penelitian seperti
terlihat pada Gambar 11(b), (c), (d) walaupun data yang digunakan masih kurang
maksimal.
Diharapkan dengan adanya pemodelan kota tiga dimensi ini dapat diaplikasikan di kota-
kota di Indonesia untuk memperbaiki sistem tata kota, pemodelan manajemen bencana,
rekonstruksi dan perencanaan bangunan, operasi militer, dll.

UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada seluruh staff Center for Remote Sensing dan
PT McElhanney atas segala bantuannya dalam menunjang kelancaran penelitian ini.

DAFTAR REFERENSI
Jadhav, A., Gambhir D. Use of LIDAR in Extraction of 3D City Models in Urban Planning.
Masaomi Okagawa M. 2002. Algorithm of Multiple Filter to Extract DSM from LiDAR Data.
Huber, M., Schickler, W., Hinz, S., Albert Baumgartner, A. 2002. Fusion of LIDAR Data and
Aerial Imagery for Automatic Reconstruction of Building Surfaces.
You, S., Hu, J., Neumann, U., Fox, P. Urban Site Modeling From LiDAR.
Charaniya, A.P. 3D Urban Reconstruction from Aerial LiDAR data.
Ackermann, F., 1999. Airborne Laser Scanning Present Status and Future Expectations. ISPRS
Journal of Photogrammetry and Remote Sensing 54
Baltsavias, EP., 1999b, Airborne Laser Scanning : Basic Relations and Formulas, ISPRS
Journal of Photogrammetry & Remote Sensing 54 (1999)

LIDAR (Light Detection and Ranging) untuk Pemodelan Kota Tiga Dimensi
Bunga Rampai Penginderaan J auh Indonesia, 2011

167

Hug, C., 1996. Combined use of laser scanner geometry and reflectance data to identify surface
objects. OEEPE-Workshop 3D city models, Bonn, Germany, 9 11 October 1996.
Jaafar, J., Priestnall, G., Mather, P.M. and Vieira, C.A., 1999a. Construction of DEM from
LIDAR DSM using morphological filtering, conventional statistical approaches and
Artificial Neural Networks. RSS99 - Earth Observation, From data to information,
Proceedings of the 25th Annual Conference and Exhibition of the Remote Sensing Society,
Cardiff, 8-10 September 1999, pp. 299-306. Remote Sensing Society, Nottingham.
Lohr, U., 1998. Laserscanning for DEM generation, In: GIS technologies and their
environmental applications, Brebbia C. A. and Pascolo P. (eds). Computational Mechanics
Publications, Southampton, pp. 243-249.
Wehr, A. and Lohr, U., 1999. Airborne laser scanning an introduction and overview. ISPRS
Journal of Photogrammetry and Remote Sensing, 54, pp. 68-82.
Gruen, A., Kubler, O., and Agouris, P., (eds), 1995. Automatic extraction of man-made objects
from aerial and space images, Birkhauser Verlag, Basel.
Gruen, A., Baltsavias, E. P., and Henricsson, O., (eds), 1997. Automatic extraction of man-made
objects from aerial and space images (II), Birkhauser Verlag, Basel.

BIOGRAFI PENULIS
Muhammad Arief Vannessyardi

Penulis bernama lengkap Muhammad Arief Vannessyardi dan
biasa dipanggil Arief atau Ivan. Penulis lahir di Washington DC
pada tanggal 25 September 1989 dan merupakan anak pertama
dari lima bersaudara. Pendidikan terakhir penulis adalah Sarjana
Teknik Geodesi dan Geomatika lulusan Institut Teknologi
Bandung.



168

BI OGRAFI


Ketut Wikantika

Ketut Wikantika lahir di Singaraja, Bali pada 17 Desember
1966. Menempuh pendidikan dasar dari TK hingga SMA di
kota yang sama, kemudian mengawali pendidikan tinggi di
Institut Teknologi Bandung. Pada tahun 1991, gelar insinyur
diperoleh setelah menyelesaikan masa kuliah di Teknik
Geodesi. Kemudian pada tahun 1998 berhasil meraih gelar
Master of Engineering (M.Eng.) dari Chiba University, Jepang
dalam bidang image informatics dan memperoleh gelar Ph.D.
pada tahun 2001 dalam bidang penginderaan jauh dari
universitas yang sama. Semenjak tahun 1994 hingga saat ini
telah aktif mengajar sebagai dosen di Program Studi Teknik Geodesi dan Geomatika,
ITB, dan pada tahun 2005 diangkat sebagai ketua Pusat Penginderaan Jauh ITB.
Kemudian pada Agustus 2011 memperoleh amanah sebagai guru besar ITB dengan
bidang penelitian penginderaan jauh lingkungan. Beberapa karya ilmiah di bidang
penginderaan jauh telah banyak dipublikasikan baik secara nasional maupun
internasional. Berbagai bentuk kerja sama riset pun telah dilakukan dengan berbagai
lembaga yang berkaitan. Hingga saat ini Ketut Wikantika masih aktif dalam berbagai
organisasi dan forum ilmiah seperti Asosiasi Kartografi Indonesia, Masyarakat
Penginderaan Jauh Indonesia, dan juga Ikatan Surveyor Indonesia.


Lissa Fajri Yayusman

Lissa lahir di Bekasi, Jawa Barat pada 18 November 1990. Anak kedua
dari tiga bersaudara ini menempuh pendidikan SD, SMP, dan SMA di
Kota Bekasi. Kemudian melanjutkan pendidikan tinggi di Institut
Teknologi Bandung dan memperoleh gelar Sarjana Teknik dalam
bidang Teknik Geodesi dan Geomatika pada tahun 2011. Saat ini Lissa
masih aktif berkarya dalam bidang penginderaan jauh di Pusat
Penginderaan Jauh ITB.





169